＃ Modify annotation
   new＿boxes＝［］
   for box in gt＿boxes：
       obj＿name ＝ box［0］
       x1 ＝ int（box［1］）
       y1 ＝ int（box［2］）
       x2 ＝ int（box［3］）
       y2 ＝ int（box［4］）
       x1， x2 ＝ x1－x， x2－x
       y1， y2 ＝ y1－y， y2－y
       x1， y1， x2， y2 ＝ x1／scale， y1／scale， x2／scale， y2／scale
       if （x1＜img．shape［1］ and y1＜img．shape［0］） and （x2＞0 and y2＞0）：
           if x1＜0： x1＝0
           if y1＜0： y1＝0
           if x2＞img．shape［1］： x2＝img．shape［1］
           if y2＞img．shape［0］： y2＝img．shape［0］
           new＿boxes．a(chǎn)ppend（［obj＿name， x1， y1， x2， y2］）
   return resized， new＿boxes
CutoutCutout是2017年由Terrance DeVries和Graham W． Taylor在他們的論文中介紹的，是一種簡單的正則化技術(shù)，在訓(xùn)練過程中隨機(jī)掩蓋輸入的正方形區(qū)域，可以用來提高卷積神經(jīng)網(wǎng)絡(luò)的魯棒性和整體性能。這種方法不僅非常容易實(shí)現(xiàn)，而且表明它可以與現(xiàn)有形式的數(shù)據(jù)擴(kuò)充和其他正則化器一起使用，進(jìn)一步提高模型的性能。論文地址：https：／／arxiv．org／abs／1708．04552與本文一樣，我們使用了cutout來提高圖像識別（分類）的精度，因此，如果我們將相同的方案部署到目標(biāo)檢測數(shù)據(jù)集中，可能會導(dǎo)致丟失目標(biāo)（特別是小目標(biāo)）的問題。在下圖中，刪除了剪切區(qū)域（黑色區(qū)域）內(nèi)的大量小對象，這不符合數(shù)據(jù)增強(qiáng)的精神。

為了使這種方式適合對象檢測，我們可以做一個簡單的修改，而不是僅使用一個遮罩并將其放置在圖像中的隨機(jī)位置，而是隨機(jī)選擇一半的對象，并將裁剪應(yīng)用于每個目標(biāo)區(qū)域，效果更佳。增強(qiáng)后的圖像如下圖所示。

Cutout的輸出是一個新生成的圖像，我們不刪除對象或改變圖像大小，那么生成的圖像的注釋就是原始注釋。def cutout（img， gt＿boxes， amount＝0．5）：
   ＇＇＇
   ＃＃＃ Cutout ＃＃＃
   img： image
   gt＿boxes： format ［［obj x1 y1 x2 y2］，．．．］
   amount： num of masks ／ num of objects
   ＇＇＇
   out ＝ img．copy（）
   ran＿select ＝ random．sample（gt＿boxes， round（amount＊len（gt＿boxes）））
   for box in ran＿select：
       x1 ＝ int（box［1］）
       y1 ＝ int（box［2］）
       x2 ＝ int（box［3］）
       y2 ＝ int（box［4］）
       mask＿w ＝ int（（x2 － x1）＊0．5）
       mask＿h(yuǎn) ＝ int（（y2 － y1）＊0．5）
       mask＿x1 ＝ random．randint（x1， x2 － mask＿w）
       mask＿y1 ＝ random．randint（y1， y2 － mask＿h(yuǎn)）
       mask＿x2 ＝ mask＿x1 ＋ mask＿w
       mask＿y2 ＝ mask＿y1 ＋ mask＿h(yuǎn)
       cv2．rectangle（out， （mask＿x1， mask＿y1）， （mask＿x2， mask＿y2）， （0， 0， 0）， thickness＝－1）
   return out
ColorJitterColorJitter是另一種簡單的圖像數(shù)據(jù)擴(kuò)充類型，我們隨機(jī)改變圖像的亮度、對比度和飽和度。我相信這個“家伙”很容易被大多數(shù)讀者理解。