论文: Hide-and-Seek: A Data Augmentation Technique for Weakly-Supervised Localization and Beyond.
Github: https://github.com/kkanshul/Hide-and-Seek .
Hide-and-Seek(HaS)的核心思想其实与Random Erasing、Cutout等数据增强方法一样,都是去掉一些区域,使得CNN只用其他区域也可以识别出物体,这样CNN可以使用图像的全局信息而不是仅由一些小特征组成的局部信息来识别物体,另外,通过模拟遮挡,可以提高模型的性能和泛化能力。
Hide-and-Seek的具体做法如下:
做法是将图片切分为
S
×
S
S \times S
S×S个网格,每个网格采用一定概率
p
h
i
d
e
=
0.5
p_{hide}=0.5
phide=0.5进行遮挡,可以模拟出随机擦除和cutout效果。至于隐藏值设置为何值,作者认为比较关键,因为可能会改变训练数据的分布。如果暴力填黑,认为会出现训练和测试数据分布不一致问题,可能不好,特别是对于第一层卷积而言。作者采用了一些理论计算,最后得到采用整个数据集的均值来填充造成的影响最小(如果采用均值,那么输入网络前,数据预处理减掉均值,那其实还是接近0)。
作者将其用于弱监督的目标检测,得到的结果如下:
参考资料:
[1]: Hide-and-Seek: A Data Augmentation Technique for Weakly-Supervised Localization and Beyond.