正则化方法：Cutout、Random erasing

抱枕无忧

已于 2022-09-20 11:29:35 修改

阅读量410

点赞数

文章标签： python 深度学习

于 2022-09-20 11:18:53 首次发布

本文链接：https://blog.csdn.net/qq_38878964/article/details/126949667

版权

本文介绍了Cutout和Random Erasing两种深度学习正则化方法，旨在提升模型对物体遮挡的鲁棒性。Cutout通过随机删除图像区域，而Random Erasing则使用随机值或平均值替换部分像素，两者都用于模拟真实世界的遮挡情况，以改善模型对上下文的理解。

摘要由CSDN通过智能技术生成

1、简介

Cutout是一种新的正则化方法。在训练时随机把图片的一部分减掉，这样能提高模型的鲁棒性。它的来源是计算机视觉任务中经常遇到的物体遮挡问题。通过cutout生成一些类似被遮挡的物体，不仅可以让模型在遇到遮挡问题时表现更好，还能让模型在做决定时更多地考虑环境(context)。

2、Cutout实现

import torch
import numpy as np

class  Cutout(object):
    """Randomly mask out one or more patches from an image.
    Args:
        n_holes (int): Number of patches to cut out of each image.
        length (int): The length (in pixels) of each square patch.
    """
    def __init__(self, n_holes, length):
        self.n_holes = n_holes
        self.length = length
 
    def __call__(self, img):
        """
        Args:
            img (Tensor): Tensor image of size (C, H, W).
        Returns:
            Tensor: Image with n_holes of dimension length x length cut out of it.
        """
        h = img.size(1)
        w = img.size(2)
        
        mask = np.ones((h, w), np.float32)
        
        for