一个菜鸟的奋斗

通常ImageNet有自己的标准化参数，是通过抽样统计图像的均值方差得到的，那么针对本地特定数据集，如何获取到适合的参数呢？功能：针对RGB3个 channel 分布对图像进行标准化。将结果写入transform列表中即可。

GridMask是2020年arXiv上的一篇论文，可以认为是直接对标Hide_and_Seek方法。与之不同的是，GridMask采用了等间隔擦除patch的方式，有点类似空洞卷积，或许可以取名叫空洞擦除？

Hide-and-Seek是2017年发表在ICCV上的一种数据增强方法，主要思想是将图像划分成若干个patch，然后对每个patch执行随机擦除操作。会议扩充版看格式有可能是投到TPAMI上了，从时间上分析，被拒的可能性比较大。

RICAP是2019年发表在TCSVT期刊上的一种数据增强方法，看论文发现RICAP在目标检测中的用法和YOLOv4中的mosaic增强几乎是完全一样的。从时间上来看，YOLOv4是2020年出来的，比RICAP晚了一年，不确定作者是否看过RICAP这篇论文。

mixup是2018年发表在ICLR上的一种数据增强方法，核心思想是从每个batch中随机选择两张图像，并以一定比例混合生成新的图像。需要注意的是，全部训练过程都只采用混合的新图像训练，原始图像不参与训练过程。

Random Erasing是2017年与cutout同时期提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。Random Erasing Data Augmentationpaper (arXiv):https://arxiv.org/pdf/1708.04896v2.pdfpaper (AAAI20):https://ojs.aaai.org/index.php/AAAI/article/view/7000/6854..

cutout是2017年提出的一种数据增强方法，想法比较简单，即在训练时随机裁剪掉图像的一部分，也可以看作是一种类似dropout的正则化方法。Improved Regularization of Convolutional Neural Networks with Cutoutpaper:https://arxiv.org/pdf/1708.04552.pdfcode:https://github.com/uoguelph-mlrg/Cutoutcutout采用的操作是随机裁剪掉图像中..