Patch Normalization Regularization

贡献： 提出了一种新的正则化方法，减少过拟合的发生，同时让神经网络具有更好的鲁棒性。 这种方法在图像和feature map 内部进行局部的permutation （置换），没改变整体的特征信息，又添加了新的变化（variance），用于训练中，提高了模型的鲁棒性，防止过拟合的发生 过拟合 过拟合的定义：训练的模型适应了噪声信息，而不是去捕捉数据中隐藏的变量信息。 过拟合出现原因： 1.参数过少，

>>阅读原文<<