Introduction
Related Work
본 논문에서 저자는 자신들이 제안한 Cutout이 data augmentation과 dropout에 아주 밀접하게 연관되어 있다고 한다. 또한, denoising auto-encoder와 context encoder와 몇 가지 유사하다고 한다.
왜 그런지는 바로 밑에서 살펴보도록 하자.
Data Augmentation for Images
Optical chracter recognition을 위한 LeNet5을 학습할 때 LeCun et al.은 모델의 accuracy와 robustness 향상하기 위해 다양한 horizontal translation, vertical translation, scaling, squeezing, horizontal shearing을 포함한 다양한 afffine transform을 적용했다고 한다.
2012 Imagenet Large Scale Visual Recognition Competition에서 AlexNet의 성능을 향상하기 위해 Krizhevsky et al.은 morrioing, cropoing을 적용했다고 한다.
Dropout in Convolutional Neural Networks
Denoising Auto-encoders & Context Encoders
Cutout
Motivation
Implementation Details
Experiments
제안한 cutout의 성능을 평가하기 위해 CIFAR-10, CIFAR-100, SVHN, STL-10 총 4개의 데이터셋에 대해 테스트를 진행하였다.
CIFAR-10 and CIFAR-100
SVHN
Street View House Numbers(SVHN) 데이터셋은 다음과 같이 구성되어 있다.
32x32 크기
저자는 SVHN에 cutout성능을 테스트 하기 위해