数据增强（一、Random-Erasing）

最新推荐文章于 2024-04-23 21:53:59 发布
最新推荐文章于 2024-04-23 21:53:59 发布
阅读量3.3k 收藏 7
点赞数
分类专栏： 数据增强
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44267559/article/details/112744300
版权
本文介绍了Random Erasing数据增强方法，一种在图像分类、目标检测和行人重识别任务中提高模型性能的技术。它随机选择图像中的矩形区域并用随机值填充，增加模型对遮挡的鲁棒性。实验结果显示，该方法与其他数据增强技术如随机裁剪相结合，能显著提升模型的准确率。
摘要由CSDN通过智能技术生成

文章目录

Random Erasing Data Augmentation（随机擦除数据增强）

优势

  1. 一种轻量级方法，不需要任何额外的参数或内存消耗，它可以在不改变学习策略的情况下与各种CNN模型集成
  2. 对于现有的数据增强和正则化方法的补充。两者结合使用，Random Erasing进一步提高了识别性能。
  3. 在图像分类、目标检测和行人重识别方面，提高了深度模型的性能
  4. 提高鲁棒性。

实验数据集

图像分类
CIFAR-10包含10个类的50000个训练图像和10000个测试图像（3232彩色图像）.
CIFAR-100包含100个类的50000个训练图像和10000个测试图像（3232彩色图像）
Fashion-MNIST包含了10个类的60000个训练图像和10000个测试图像（28*28灰度图像）

目标检测
PASCAL VOC 2007包含24640个带注释对象的9963幅图像。
行人重识别
Market-1501包含32666个标记的边界框，其中包含6个不同摄像机捕获的1501个个体。数据集分成两部分：12963幅图像，751个个体用于训练；19732幅图像，750个个体用于测试。
DukeMTMC-reID包含8个高分辨率相机拍摄的1812个个体的36411幅图像。数据集分成两部分：16533个图像，702个个体用于训练；14096个图像，1467个个体用于测试
CUHK03包含1467个个体的14096幅图像。

Random Erasing

随机擦除随机选择图像中的一个矩形区域 I e I_e Ie​，并用随机值擦除其像素。假设训练图像大小为 W ∗ H W*H W∗H，图像面积 S = W ∗ H S=W*H S=W∗H。随机初始化“擦除矩形”大小为 S e S_e Se​，其中 S e S ∈ ( s l , s h ) \frac{S_e}{S}\in (s_l,s_h) SSe​

最低0.47元/天 解锁文章
画尽天下，一世繁华
关注
专栏目录
数据增强实测之Random Erasing
一个菜鸟的奋斗
01-19 6305
Random Erasing是2017年与cutout同时期提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。 Random Erasing Data Augmentation paper (arXiv):https://arxiv.org/pdf/1708.04896v2.pdf paper (AAAI20):https://ojs.aaai.org/index.php/AAAI/article/view/7000/6854 ..
数据增强论文解读：Random Erasing Data Augmentation
winnerziqi的博客
01-30 1750
文章目录前言一、Introduction二、Related Work三、数据集四、算法五、实验 前言 文章来源：The Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI-20) 给了代码，包含在两个数据集上的代码 一、Introduction 论文为CNN训练提出了一种新的数据增强方法：Random Erasing 具体方法： （1）在一张图片中随机的选择一个矩形框，在随机的位置上使用随机的值（或者- - ImageNet）来
【数据增强】Random Erasing
dekiang
05-10 2770
论文: Random erasing data augmentation. Github: https://github.com/zhunzhong07/Random-Erasing. 随机擦除增强，非常容易理解。作者提出的目的主要是模拟遮挡，从而提高模型泛化能力，这种操作其实非常make sense，因为我把物体遮挡一部分后依然能够分类正确，那么肯定会迫使网络利用局部未遮挡的数据进行识别，加大了训练难度，一定程度会提高泛化能力。其也可以被视为add noise的一种，并且与随机裁剪、随机水平翻转具有一定的
数据增强（检测，分类，识别）：1708.Random Erasing Data Augmentation 论文笔记
xuluohongshang的博客
01-08 1万+
Random Erasing Data Augmentation 论文下载地址：https://arxiv.org/abs/1708.04896 详细信息： 论文资源代码： https://github.com/zhunzhong07/Random-Erasing 论文解读： 首先，为了增强模型的泛化的性能，一般的手段有数据增强和正则化方法（如dropout，BN），而用于数
【Random Erasing】《Random Erasing Data Augmentation》
bryant_meng
06-15 356
AAAI-2020为提升 CNN 模型的泛化能力，提升 CNN 模型应对遮挡场景的鉴别能力，提出了一种数据增广方法，Random Erasing——random position with random-sized mask with random pixelWhile we can manually add occluded natural images to the training set, it is costly and the levels of occlusion might be limit
Random-Erasing:随机擦除数据增强。 CIFAR10，CIFAR100和Fashion-MNIST的实验
05-22
随机擦除数据增强 ================================================== ============= 黑色的 白色的 随机的 该代码具有论文“”的源代码。 如果您发现此代码对您的研究有用，请考虑引用以下内容： @in...
数据增强-RanDom Erasing Data Augmentation[论文笔记]
sherilindas的博客
06-05 743
RanDom Erasing Data Augmentation 随机遮盖-数据增强 论文链接 Abstract 作者想解决什么问题？question 增强模型鲁棒性,减少模型过拟合 作者通过什么理论/模型来解决这个问题？method 通过论文提出的Random Erasing,对图片进行随机的遮挡,也可视为添加噪声 Introduction 作者为什么研究这个课题？ 为了提高CNN的泛化能力,有许多数据增强方法提出( random cropping,flipping,dropout,bn). 对数据做阻塞
【ReID】【skimming】Random Erasing Data Augmentation
锥栗的博客
05-17 925
著名的随机擦除方法，2017年挂的arvix，好像中了2020年的AAAI。文章提出了一种数据增强方法——随机擦除（Random Erasing），将图像随机位置选择一块随机大小的矩形区域，将其中的值赋予为没有意义的常数（或者随机数，或者0）。这样的方法主动消除了图像中的一些信息，从而起到防止模型过拟合，增强模型鲁棒性的效果，也使得识别任务检测任务的模型表现更好。 论文一览： 痛点 很多网络被涉及的过于复杂，拥有过多的参数量，往往泛化能力差，容易发生过拟合现象。网络学习到的可能是一些不重要的noise，而
【论文阅读笔记】Random Erasing Data Augmentation
时光机 °的博客
07-14 1898
论文地址：random erasing 论文总结   本文的方法名为random erasing，是一种数据增强的方法。通过随机选择不同大小的方形区域，填充随机像素值，达到增加数据遮挡效果的数据增强。   与cutout不同的地方有三点：（1）选择的方形大小不是固定的；（2）填充区域选择的是[0,255]的随机值，而不是0；（3）方形区域限制在图像内； 论文介绍   如果通过添加遮挡的图像来解决遮挡数据集的数据增广，这花费显得昂贵了，而且遮挡的等级可能会收到限制。由于选择的区域大小是随机的，所以random
pytorch_random_erasing:PyTorch实现的RandomErasing
05-15
PyTorch随机擦除的实现 用法 $ python main.py --block_type basic --depth 110 --use_random_erase --random_erase_prob 0.5 --random_erase_area_ratio_range '[0.02, 0.4]' --random_erase_min_aspect_ratio 0.3 --random_erase_max_attempt 20 --outdir results CIFAR-10的结果 模型 测试错误（5次运行的中位数） 训练时间 没有随机擦除的ResNet-preact-56 5.85 98分钟 ResNet-preact-56 w /随机擦除 5.22 98分钟 没有随机擦除 $ python -u main.py --depth 56 --block_type b
torch 数据增强-随机擦除（随机遮挡）-两种方案
01-06
第一种 原文 class RandomErasing(object): def __init__(self, p=0.5, sl=0.02, sh=0.4, r1=0.3, r2=3): self.p = p self.sl = sl self.sh = sh self.r1 = r1 self.r2 = r2 def __call__(self, img): if np.random.rand() > self.p: return img i
Random Erasing：数据增强之随机擦除
热门推荐
AI数据工厂
03-27 1万+
本文介绍了一种利用随机擦除进行数据增强的方法
Random Erasing Data Augmentation
JachinMa的博客
09-09 696
摘要 本文介绍了一种在训练CNN时使用的数据增强方法：随即擦除。它在训练时使用随机值随机地擦除掉图像的一块矩形范围。这能够帮助模型减少过拟合，以及在面对遮挡现象时更为健壮。它无需学习参数，容易实现，且可以应用到许多基于CNN的识别模型上。同时，它与其它的数据增强方法能够互相补充。 介绍 众所周知，CNN有着非常强大的功能，但当它的结构过于复杂时，往往就会出现过拟合的现象。这就导致了，模型可能会在训...
论文阅读之《Random Erasing Data Augmentation》
liqiming100的专栏
04-09 3056
本篇论文主要贡献如下： 引入新的data augmentation method，并证明了其在抗遮挡方面的鲁棒性，并且提高了模型的泛化性。 在行人再识别方面尤其有良好的表现，在其他任务：如分类以及物体检测方面也有良好的表现。 采用Random Erase方法后的图以及原图如下所示： 主要的算法流程如下所示： ...
AAAI 2020，数据增强方法：Random Erasing Data Augmentation
Exploer_TRY的博客
05-09 1153
Random Erasing Data Augmentation 厦门大学 智能多媒体实验室的一项工作，Leader：李绍滋，发表在AAAI 2020上。 Zhong, Zhun, et al. “Random erasing data augmentation.” Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 07. 2020. 1. 摘要： 介绍了一种新的训练卷积神经网络(CNN)的数据增强方法——
Random Erasing 原理与代码解析
00000cj的博客
04-23 922
本文提出了一种新的数据增强方法Random Erasing（随机擦除），用于训练CNN。该方法在训练过程中随机选择图像中的一个矩形区域，并将其像素用随机值擦除，从而生成具有不同遮挡级别的训练图像。这样做可以减少过拟合的风险，并使模型对遮挡具有鲁棒性。Random Erasing不需要额外的参数学习，易于实现，并且可以与大多数基于CNN的识别模型集成。尽管方法简单，但Random Erasing与常用的数据增强技术（如随机裁剪和翻转）互补，并且在图像分类、目标检测和行人再识别等任务中取得了一致的性能提升。
模型训练技巧——Random Erasing
Guo_Python的博客
05-08 4566
本文介绍了一种新的用于训练卷积神经网络的数据增强方法——Random Erasing（随机擦除）。训练时，随机擦除方法会在原图随机选择一个矩形区域，将该区域的像素替换为随机值。这个过程中，参与训练的图片会做不同程度的遮挡，这样可以降低过拟合的风险并提高模型的鲁棒性。随机擦除是独立于参数学习过程的，因此可以整合到任何基于CNN的识别模型中。此方法虽然简单，但却是诸如random cropping、flipping等通用数据增强方法的一个补充，并且普遍地比没有使用随机擦除方法的对比算法效果要好。
数据增强：随机擦除Random erasing
猫猫与橙子的博客
03-25 4875
数据增强之随机擦除Random erasing
random_erasing.RandomErasing
最新发布
09-20
Random Erasing 是一种用于图像数据增强的技术[^1]，它通过随机选择并替换图像的一部分来模拟现实世界中不同光照条件下的遮挡情况。具体实现时，会随机选取一个图片的矩形区域（通常是原图的一部分），然后用随机值（如0到1之间的均匀分布）或者整个图像的平均像素值来填充这些区域，以此增加模型对图像中缺失信息的鲁棒性。 在Python中，如果你正在使用torchvision库，你可以这样做： ```python from torchvision.transforms import RandomErasing # 创建Random Erasing转换器 transform = RandomErasing(p=0.5, scale=(0.02, 0.33), ratio=(0.3, 3.3), value='random') # 参数p表示概率，scale和ratio定义了擦除区域的比例，value决定了填充像素的方式 # 应用到图像上 image = ... # 你的图像变量 augmented_image = transform(image) ``` 这里`p`指代应用此变换的概率，`scale`和`ratio`控制了擦除区域的大小，`value`则决定了填充颜色。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值