제거와 보존의 균형
하나의 큰 영역만 가리면 물체를 거의 모두 지우거나 거의 건드리지 않을 수 있다. 연구는 연속된 정보를 충분히 제거하면서도 인식에 필요한 내용을 남기는 균형을 분석했다.
구조적인 가림 패턴
서로 떨어진 정사각형 영역을 공간적으로 균등하게 배치한다. 삭제 영역의 크기와 밀도를 조절해 무작위의 한 영역을 제거하는 방식과 다른 정보 분포를 만든다.
입력 변형의 적용
격자 마스크를 입력 이미지에 적용하며 마스크의 크기와 위치에 무작위성을 줄 수 있다. 논문은 적용 확률을 일정하게 두는 방식과 학습에 따라 늘리는 방식도 비교했다.
여러 시각 과제의 실험
ImageNet 인식과 COCO2017 객체 검출 및 Cityscapes 의미 분할에서 기준 모델의 성능을 평가했다. 구조화된 정보 제거 하나가 다른 과제에도 적용되는지 살피는 실험이었다.
관련 문서
Random Erasing / Cutout / CutMix / AutoAugment / RandAugment / 신경망