卷积层的dropout - dropblock

DropBlock: A regularization method for convolutional networks

dropout的不足

dropout是深度学习中避免过拟合的手段之一，经典网路结构中，dropout都被放到全连接层之后，鲜有放到卷积层之后。这是因为实验证明卷积层后的dropout层对网络泛化能力的改进微乎其微，本文分析了其中的原因：卷积层输出特征图各个元素之间存在很强的相关性，随机把某些原始置为0，其邻域元素带有何其相似的信息，dropout的功能没法实现。基于这个分析，本文提出了针对卷积层输出特征的dropout改进版：dropblock，不是随机把某些元素置零，而是随机把某些block都置零。如下图所示。

实现

dropblock有两个参数：block_size和$\gamma$γ。其中$\gamma$γ的含义和dropout中参数一致，表示每个元素被置零的概率，被用来从特征图的valid区域中选择一些需要置为0的元素(valid区域是指区域内任意点作为中心点，block_sized大小的邻域不会超出特征图尺寸)。以这些选中的元素为中心，确定block_size x block_size的邻域，这个区域内所有特征点都要置为0。算法伪码如下：

scheduled dropblock

和dropout不同，实验发现dropblock的$\gamma$γ值如果训练初始就设置较小的值，则会影响网络收敛。文中采用$factor=4$factor=4的线性函数在训练过程中从1开始逐步降低$\gamma$γ的值，直至达到目标值

实验

DropBlock for Resnet50

合适配置DropBlock，可以帮助resnet50在ImageNet上提高1~2%， resent的bottleneck模块包括skip和conv两个分支，dropBlock不仅可以作用在conv分支，也可以作用在skip分支上。如下下图所示

第一列base实验，第二列是在skip分支增加dropblock模块，第三列是利用scheduled dropblcok。最优的参数是block_size=7.