数据增强论文解读：Random Erasing Data Augmentation

---

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）来擦除图片原来的像素。
  （2）在目标检测中可以分为单独遮蔽目标和遮蔽图像两种。
  （3）可以视为对图像添加块状噪声，会造成像素的损失。
  （4）类似dropout舍弃神经元，rondom erasing为舍弃像素点。
• 实际作用：通过该方法能够给图片加入不同程度的遮挡，通过这样的训练数据，可以减少模型过拟合的风险同时对遮挡具有一定的鲁棒性。随机擦除和random cropping，random flipping一样可以作为数据增强的方法，在分类，检测和行人重识别领域能够取得不错的效果。

二、Related Work

1、防止过拟合方法正则化regularization
2、数据增强data augmentation：两种方法random cropping 和random flipping
3、相关算法
Blockout：在CNN层上设置权重矩阵同时进行正则化和模型选择——RE不需要学习参数
模糊图像抑制softmax学习更显著特征——RE不需要监督信息
消除最具判别性区域，迭代训练（弱监督语义分割）——RE只需要训练一次
A-Fast-RCNN：GAN动态产生难以检测位置的图片——RE计算量小

三、数据集

分类：CIFAR和Fashion-MNIST
目标检测：PASCAL VOC 2007
行人重识别：Market-1501

四、算法

典型值：

在不同任务中的不同策略：

• 随机删除图像分类和人物识别
  

• 目标检测的随机擦除
  1）对整个图像进行擦除和识别：对同一图像进行随机擦除和识别；
  2）对象感知随机擦除（ORE）：在每个对象的边界框中选择擦除区域。在后者中，如果图像中有多个对象，则分别对每个对象进行随机擦除。
  3） 图像和对象感知随机擦除（I+ORE）：在整个图像和每个对象边界框中选择擦除区域。
  

• 与random cropping互补
  

五、实验

1、目标检测 slightly better

2、分类 三种共用最好
通过实验可以发现效果最好的是random cropping方法，其次是random flipping ,最后才是random erasing。但是三种一起使用确实能得到最好的效果。