Patch Normalization Regularization

貢獻： 提出了一種新的正則化方法，減少過擬合的發生，同時讓神經網絡具有更好的魯棒性。 這種方法在圖像和feature map 內部進行局部的permutation （置換），沒改變整體的特徵信息，又添加了新的變化（variance），用於訓練中，提高了模型的魯棒性，防止過擬合的發生 過擬合 過擬合的定義：訓練的模型適應了噪聲信息，而不是去捕捉數據中隱藏的變量信息。 過擬合出現原因： 1.參數過少，

>>阅读原文<<