[论文解读] Random Erasing Data Augmentation

Zhun Zhong, Liang Zheng+3 more|arXiv (Cornell University)|Aug 16, 2017

Video Surveillance and Tracking Methods参考文献 36被引用 748

一句话总结

Random Erasing 是一种无参数的数据增强技术，在训练图像中遮挡随机矩形区域，从而提高对遮挡的泛化能力，适用于分类、检测和 re-ID 任务。

ABSTRACT

In this paper, we introduce Random Erasing, a new data augmentation method for training the convolutional neural network (CNN). In training, Random Erasing randomly selects a rectangle region in an image and erases its pixels with random values. In this process, training images with various levels of occlusion are generated, which reduces the risk of over-fitting and makes the model robust to occlusion. Random Erasing is parameter learning free, easy to implement, and can be integrated with most of the CNN-based recognition models. Albeit simple, Random Erasing is complementary to commonly used data augmentation techniques such as random cropping and flipping, and yields consistent improvement over strong baselines in image classification, object detection and person re-identification. Code is available at: https://github.com/zhunzhong07/Random-Erasing.

研究动机与目标

• 通过模拟遮挡来促进 CNN 的泛化能力提升。
• 提出一个简单的、无参数的增强方法，可以与现有的 CNN 集成。
• 证明在图像分类、对象检测和行人重识别方面的有效性。
• 展示对遮挡的鲁棒性以及与其他增强方法的互补性。

提出的方法

• 在训练过程中以概率 p 随机选择图像中的矩形区域。
• 用随机像素值（或 ImageNet 均值）填充所选区域以抹除。
• 通过面积 s_l–s_h 和宽高比 r_1–r_2 调整被抹区域的大小，以产生不同程度的遮挡。
• 通过遮挡整张图像中的区域，将 Random Erasing 应用于图像分类和人脸/人重识别（re-ID）。
• 对于目标检测，应用三种方案：image-aware (IRE)、object-aware (ORE) 和 image+object-aware (I+ORE)。
• 将 Random Erasing 与随机裁剪和基于裁剪的增强进行比较，以研究互补性。
• 不需要额外的参数学习；它轻量且易于集成。

实验结果

研究问题

• RQ1 Random Erasing 是否在多种视觉任务中通过遮挡提升了 CNN 的泛化能力？
• RQ2 抹除概率、面积和长宽比如何影响性能？
• RQ3 Random Erasing 是否与随机裁剪和翻转等其他增强方法互补？
• RQ4 是否可以将该方法应用于对象检测，并使用 image/object-aware 方案？
• RQ5 该技术是否对被遮挡的测试样本提供鲁棒性？],
• RQ6 key_findings(注释)??是否：

主要发现

• 在 CIFAR-10、CIFAR-100 和 Fashion-MNIST 上相对于基线，在多种架构（如 ResNet 变体、WRN-28-10）上提升准确率。
• 在 CIFAR-10 上使用 ResNet-110 和 WRN-28-10 的情况下，Random Erasing 显著降低了测试误差（例如 WRN-28-10 达到 3.08% 的误差）。
• Random Erasing 胜过基线，并与现有增强如随机裁剪和翻转竞争且互为补充。
• 在对象检测中，在 Fast-RCNN 训练期间应用 IRE、ORE 或 I+ORE 可带来 mAP 提升（例如 I+ORE 在 VOC07 上达到 71.5% 的 mAP）。
• 在人重识别方面，Random Erasing 在 Market-1501、DukeMTMC-reID 和 CUHK03 基线上持续提升 rank-1 和 mAP。
• Random Erasing 提高对遮挡的鲁棒性，CIFAR-10 遮挡实验显示相较基线性能下降速度更慢。