随机擦除数据增强

===============================================================

黑色	白色	随机

本代码包含论文“随机擦除数据增强”的源代码。

如果您在研究中使用了此代码，请考虑引用：

@inproceedings{zhong2020random,
title={Random Erasing Data Augmentation},
author={Zhong, Zhun and Zheng, Liang and Kang, Guoliang and Li, Shaozi and Yang, Yi},
booktitle={Proceedings of the AAAI Conference on Artificial Intelligence (AAAI)},
year={2020}
}

其他重新实现

[官方 Torchvision 中的 Transform]

[PyTorch：用于 ImageNet 的随机擦除]

[Python Augmentor]

[Person_reID CamStyle]

[Person_reID 基线 + 随机擦除 + 重排序]

[Keras 重新实现]

安装

PyTorch 的要求（请参阅 PyTorch 的安装说明）

示例：

CIFAR10

CIFAR10 上的 ResNet-20 基线： python cifar.py --dataset cifar10 --arch resnet --depth 20

CIFAR10 上的 ResNet-20 + 随机擦除： python cifar.py --dataset cifar10 --arch resnet --depth 20 --p 0.5

CIFAR100

CIFAR100 上的 ResNet-20 基线： python cifar.py --dataset cifar100 --arch resnet --depth 20

CIFAR100 上的 ResNet-20 + 随机擦除： python cifar.py --dataset cifar100 --arch resnet --depth 20 --p 0.5

Fashion-MNIST

Fashion-MNIST 上的 ResNet-20 基线： python fashionmnist.py --dataset fashionmnist --arch resnet --depth 20

Fashion-MNIST 上的 ResNet-20 + 随机擦除： python fashionmnist.py --dataset fashionmnist --arch resnet --depth 20 --p 0.5

其他架构

对于 ResNet： --arch resnet --depth (20， 32， 44， 56， 110)

对于 WRN： --arch wrn --depth 28 --widen-factor 10

我们的结果

您可以复现我们论文中的结果：

	CIFAR10	CIFAR10	CIFAR100	CIFAR100	Fashion-MNIST	Fashion-MNIST
模型	基线。	+RE	基线。	+RE	基线。	+RE
ResNet-20	7.21	6.73	30.84	29.97	4.39	4.02
ResNet-32	6.41	5.66	28.50	27.18	4.16	3.80
ResNet-44	5.53	5.13	25.27	24.29	4.41	4.01
ResNet-56	5.31	4.89	24.82	23.69	4.39	4.13
ResNet-110	5.10	4.61	23.73	22.10	4.40	4.01
WRN-28-10	3.80	3.08	18.49	17.73	4.01	3.65

请注意，如果您使用最新发布的 Fashion-MNIST 数据集，基线和 RE 的性能会略低于我们论文中报告的结果。请参考 issue。

如果您对本代码有任何疑问，请随时与我们联系。

Zhun Zhong

Liang Zheng

Random Erasing 快速上手指南

Random Erasing 是一种数据增强技术，通过在训练图像中随机擦除矩形区域，提升模型的泛化能力和鲁棒性。本指南基于官方开源代码，帮助开发者快速在 PyTorch 环境中部署该工具。

环境准备

• 系统要求：Linux / macOS / Windows

• 核心依赖：

  • Python 3.x
  • PyTorch (推荐最新稳定版)
  • torchvision

• 安装建议： 建议使用国内镜像源加速 PyTorch 及相关依赖的安装。以下命令使用清华大学开源软件镜像站：

  pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple
  

安装步骤

本项目无需复杂的编译过程，只需克隆仓库即可使用。

1. 克隆代码库：

   git clone https://github.com/zhunzhong07/Random-Erasing.git
   cd Random-Erasing
   

2. 验证环境： 确保当前目录下存在 cifar.py 和 fashionmnist.py 等脚本文件。

基本使用

以下示例展示如何在 CIFAR-10 数据集上运行 ResNet-20 模型，并启用 Random Erasing 数据增强。

1. 运行基准模型（无数据增强）

首先运行基线模型以获取参考性能：

python cifar.py --dataset cifar10 --arch resnet --depth 20

2. 运行 Random Erasing 增强模型

添加 --p 0.5 参数即可启用随机擦除功能（擦除概率为 50%）：

python cifar.py --dataset cifar10 --arch resnet --depth 20 --p 0.5

其他常用配置

• 切换数据集：将 --dataset cifar10 替换为 cifar100 或 fashionmnist。
  • Fashion-MNIST 示例：

    python fashionmnist.py --dataset fashionmnist --arch resnet --depth 20 --p 0.5
    

• 更换网络架构：
  • 不同深度的 ResNet：--depth 可选值为 20, 32, 44, 56, 110。
  • 宽残差网络 (WRN)：

    python cifar.py --dataset cifar10 --arch wrn --depth 28 --widen-factor 10 --p 0.5
    

注意：若使用最新版的 Fashion-MNIST 数据集，复现结果可能略低于论文报告数值，属正常现象。