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。