【论文阅读笔记】Random Erasing Data Augmentation

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 erasing可以生成不同遮挡级别的增强图像。

  算法的实现如下图示：（1）有一个随机的概率$p$选择是否做random erasing数据增强；（2）选择一个面积大小$S$作为矩阵方形的面积，面积大小有上下限$s_l,s_h$；（3）随机的长宽比$r_e$确定矩阵的形状，长宽比有上下限$r_1,r_2$；（4）选择一个点作为方形区域的左上角，且需要保证方形区域的右下角在图像内；

  当算法对象是分类任务时，由于不知道对象具体位置，所以random erasing选择区域是在整个图像上；当算法对象是目标检测任务时，由于目标位置可知，所以有三种方案：（1）IRE，Image-aware Random Erasing，在整个图像上随机选择位置；（2）ORE，Object-aware Random Erasing，在目标bounding box区域内；（3）I+ORE，选择图像和bounding box。三种方案如下图所示。

论文实验

分类任务

  当$p=0.5,s_l=0.02,s_h=0.4,r_1=\frac{1}{r_2}=0.3$时，各网络在CIFAR-10、CIFAR-100、Fashion-MNIST上的实验如下图所示：可以看出，random erasing都是有有益于性能提升的。

  **超参数的消融实验如下：**可以发现，当$p\in [0.2,0.8],s_h\in [0.2,0.8]$，random erasing都是帮助性能提升的。对于分类任务的最佳参数为：$p=0.5,s_l=0.02,s_h=0.4,r_1=\frac{1}{r_2}=0.3$。

  矩形区域填充值消融学习：有四种方案：（1）RE-R，填充$[0,255]$之间的随机值；（2）RE-M，填充ImageNet的平均值$[125,122,114]$；（3）RE-0，填充0；（4）RE-255填充255。最后得出结论：（1）不管哪种方案都比baseline要好；（2）RE-R和RE-M效果相当，比RE-0和RE-255要好。

  与dropout和随机添加噪声的对比：随机添加噪声的方案为用随机值改变像素值，改变一定比例的像素。对比结果如下图所示。当$\lambda =0.4时$，改变的像素数量与random erasing相当。

  数据增光方法random flip, random crop, random erasing的消融学习：flip+crop比单独使用的好；三种方法结合起来效果更好；

目标检测任务

  目标检测的random erasing有三种方案，其实验结果如下图所示：ORE要比IRE稍微好一些，I+ORE效果最好