要約
本論文では、畳み込みニューラルネットワーク（CNN）の学習に用いる新しいデータ拡張手法である「ランダムイレージング」を紹介します。学習過程において、ランダムイレージングは画像内の任意の矩形領域を選択し、そのピクセルをランダムな値で消去します。このプロセスにより、さまざまなレベルの被覆を持つ訓練画像が生成され、過学習のリスクが低減されるとともに、モデルが被覆に対して堅牢性を持つようになります。ランダムイレージングはパラメータ学習を必要とせず、実装が簡単であり、ほとんどのCNNベースの認識モデルに統合することができます。単純な手法ですが、ランダムクロッピングやフリッピングなどの一般的に使用されるデータ拡張技術と補完的であり、強力な基線モデルに対して一貫した改善をもたらします。コードは以下のURLから入手可能です：https://github.com/zhunzhong07/Random-Erasing。注：「被覆」（occlusion）は物体が部分的に隠れている状態を指します。また、「基線モデル」（baseline）は比較対象となる基本的なモデルを意味します。