In dieser Arbeit stellen wir Random Erasing vor, eine neue Methode zur Datenverstärkung (Data Augmentation) für das Training von Faltungsnetzen (Convolutional Neural Networks, CNNs). Im Training wählt Random Erasing zufällig ein rechteckiges Bereich in einem Bild aus und ersetzt dessen Pixel durch zufällige Werte. Dieser Prozess generiert Trainingsbilder mit verschiedenen Ausprägungen von Verdeckungen, was das Überanpassungsrisiko (Overfitting) reduziert und das Modell robust gegenüber Verdeckungen macht. Random Erasing ist parameterfrei, einfach zu implementieren und kann in die meisten CNN-basierten Erkennungsmodelle integriert werden. Trotz seiner Einfachheit ergänzt Random Erasing gängige Datenverstärkungstechniken wie zufälliges Zuschneiden (Random Cropping) und Spiegeln (Flipping), und führt zu konsistenten Verbesserungen über starke Baseline-Modelle hinweg in den Bereichen Bildklassifizierung, Objekterkennung und Personenerkennung. Der Quellcode ist unter folgendem Link verfügbar: https://github.com/zhunzhong07/Random-Erasing.