点击我爱计算机视觉标星，更快获取CVML新技术

本文为52CV粉丝CrazyVertigo投稿，原文链接：

https://zhuanlan.zhihu.com/p/103992528

给大家介绍一篇非常简单又提点效果明显的2020年最新论文，通过GridMask数据增强方法提升模型鲁棒性，在图像分类、检测、分割三个问题上都做了实验，提升效果明显，好于当前SOTA 的autoaugment。

论文地址：

https://arxiv.org/abs/2001.04086

github地址：

https://github.com/akuxcw/GridMask

1.Gridmask方法介绍

1.1 超参数的定义

1.Gridmask方法介绍

1.2 超参数的影响

• 超参数中的r该如何选择？

• 超参数中的d该如何选择？

• 使用过程中该以多大的概率p对训练图像进行GridMask增强？

• GridMask方法如何使用？

1.文章中设计了2中方法，第一种方法是设置一定的概率p，从开始训练就对训练图片以概率p进行数据增强；第二种方法是一开始概率为0，随着训练次数增加对训练图片进行gridmask增强的方法逐渐增大，最后变为p。实验结果结论是第二种方法好于第一种方法。

2.我做实验的时候，是简单的将COCO训练集进行一次离线的数据增强，训练数据量double了一倍，保持相同的epoch，会提升1+点。

1.3 数据增强方法回顾

常用的数据增强方法主要分为3类：

1.空间变换，random scale, crop, flip,rotation

2.颜色扭曲，改变透明度，亮度等

3.信息删除，random erasing, cutour, hide-and-seek

本文提出的GridMask方法属于信息删除的方法，这种方法的实现方式是随机在图像上丢弃一块区域，作用相当于是在网络上增加一个正则项，避免网络过拟合，相比较改变网络结构来说，这种方法只需要在数据输入的时候进行增广，简单便捷。

2.Gridmask效果提升

2.1 分类实验提升

• 在ImageNet上效果怎么样？

• 在Cifar10上效果怎么样？

2.2 检测实验提升

• 在COCO上效果怎么样？

自己使用mmdetection框架在faster-rcnn-resnet50网络上也有1+点的明显提升，后续会在业务相关的数据集上做实验。

2.3分割实验提升

• 在Cityscapes上效果怎么样？

参考文章：

1.GridMask Data Augmentation (GridMask)

2.Improved regularization of convolutional neural networks with cutout (Cutout)

3.Hide-and-seek: A data augmentation technique for weakly-supervised localization and beyond （HAS）

4. Cutmix: Regularization strategy to train strong classifiers with localizable features (CutMix)

5. Cutmix: Regularization strategy to train strong classifiers with localizable features (Mixup)

6. Dropblock: A regularization method for convolutional networks (Label Smoothing)

7. Autoaugment: Learning augmentation strategies from data （AutoAugment）

数据标注与增广交流群

关注最新最前沿的数据标注方法及工具、数据增广技术，扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）

（请务必注明：增广）

喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。

（不会时时在线，如果没能及时通过验证还请见谅）

长按关注我爱计算机视觉