数据增强：随机擦除Random erasing

该方法的出处：《Random Erasing Data Augmentation》

论文链接：https://arxiv.org/pdf/1708.04896v2.pdf

代码链接：https://github.com/zhunzhong07/Random-Erasing

1.该方法操作后的效果图

在进行擦除过程中，在目标区域位置选择一个矩形区域，使用随机的像素值代替原始像素值，这样就对目标区域起到了一定的遮挡作用；

2.该方法的代码

from __future__ import absolute_import

from torchvision.transforms import *

import numpy as np
import torch

class RandomErasing(object):
    def __init__(self, EPSILON = 0.5, sl = 0.02, sh = 0.4, r1 = 0.3, mean=[0.4914, 0.4822, 0.4465]):
        self.EPSILON = EPSILON
        self.mean = mean
        self.sl = sl
        self.sh = sh
        self.r1 = r1
       
    def __call__(self, img):

        if random.uniform(0, 1) > self.EPSILON:
            return img

        for attempt in range(100):
            area = img.size()[1] * img.size()[2]
       
            target_area = random.uniform(self.sl, self.sh) * area
            aspect_ratio = random.uniform(self.r1, 1/self.r1)

            h = int(round(math.sqrt(target_area * aspect_ratio)))
            w = int(round(math.sqrt(target_area / aspect_ratio)))

            if w < img.size()[2] and h < img.size()[1]:
                x1 = random.randint(0, img.size()[1] - h)
                y1 = random.randint(0, img.size()[2] - w)
                if img.size()[0] == 3:
                    #img[0, x1:x1+h, y1:y1+w] = random.uniform(0, 1)
                    #img[1, x1:x1+h, y1:y1+w] = random.uniform(0, 1)
                    #img[2, x1:x1+h, y1:y1+w] = random.uniform(0, 1)
                    img[0, x1:x1+h, y1:y1+w] = self.mean[0]
                    img[1, x1:x1+h, y1:y1+w] = self.mean[1]
                    img[2, x1:x1+h, y1:y1+w] = self.mean[2]
                    #img[:, x1:x1+h, y1:y1+w] = torch.from_numpy(np.random.rand(3, h, w))
                else:
                    img[0, x1:x1+h, y1:y1+w] = self.mean[1]
                    # img[0, x1:x1+h, y1:y1+w] = torch.from_numpy(np.random.rand(1, h, w))
                return img

        return img

3.适用场景

在原始论文中，作者将该方法分类，目标检测和行人重识别上，效果都很好；

分类任务中的效果：

目标检测中的效果：

在行人重识别上的效果：

目前，pytorch中已经可以直接调用

import torchvision.transforms as T
T.RandomErasing(p=rea_prob, value=rea_value)