Dans cet article, nous présentons le Random Erasing, une nouvelle méthode d'augmentation de données pour l'entraînement des réseaux de neurones convolutifs (CNN). Lors de l'entraînement, le Random Erasing sélectionne aléatoirement une région rectangulaire dans une image et remplace ses pixels par des valeurs aléatoires. Ce processus génère des images d'entraînement avec différents niveaux d'occlusion, ce qui réduit le risque de surapprentissage et rend le modèle plus robuste à l'occlusion. Le Random Erasing ne nécessite pas d'apprentissage de paramètres, est facile à mettre en œuvre et peut être intégré à la plupart des modèles de reconnaissance basés sur les CNN. Bien qu'il soit simple, le Random Erasing est complémentaire aux techniques courantes d'augmentation de données telles que le recadrage aléatoire et le renversement, et apporte une amélioration constante par rapport aux lignes de base solides dans la classification d'images, la détection d'objets et la réidentification des personnes. Le code source est disponible à l'adresse suivante : https://github.com/zhunzhong07/Random-Erasing.