数据增强之Cutout

AQ_cainiao_AQ

于 2021-11-14 23:05:41 发布

阅读量4.1k

点赞数 3

分类专栏：计算机视觉之数据增强文章标签：计算机视觉 opencv 深度学习

本文链接：https://blog.youkuaiyun.com/AQ_cainiao_AQ/article/details/121325514

版权

Cutout是一种用于计算机视觉任务的数据增强方法，源于《Improved Regularization of Convolutional Neural Networks with Cutout》论文。该方法通过随机在图像上设置小正方形区域的像素为0，以增强模型对遮挡情况的鲁棒性，鼓励模型利用全局信息而非局部特征。Cutout不仅应用于分类任务，也有适应于检测任务的实现，如需调整边界框位置。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据增强之Cutout

Cutout

Cutout

介绍

(内容摘自[CV技术指南],用于自学知识)
该方法来源于论文《Improved Regularization of Convolutional Neural Networks with Cutout》

在一些人体姿态估计，人脸识别，目标跟踪，行人重识别等任务中常常会出现遮挡的情况，为了提高模型的鲁棒性，提出了使用Cutout数据增强方法。该方法的依据是Cutout能够让CNN更好地利用图像的全局信息，而不是依赖于一小部分特定的视觉特征。

做法：对一张图像随机选取一个小正方形区域，在这个区域的像素值设置为0或其它统一的值。注：存在50%的概率不对图像使用Cutout
效果图如下:
在这里插入图片描述

分类cutout

官方代码：
https://github.com/uoguelph-mlrg/Cutout
适用于分类任务的代码片如下(不需要考虑gt和box):
下面展示分类任务的 cutout。

import torch
import numpy as np


class Cutout(object):
    """Randomly mask out one or more patches from an image.
    Args:
        n_holes (int): Number of patches to cut out of each image.

最低0.47元/天解锁文章