原文地址：https://arxiv.org/pdf/1810.12890.pdf
介绍：
dropout的主要缺点是将特征随机地丢弃，dropout正则化方法广泛用于全连接层，且效果较好，然而对于卷基层却效果欠佳。原因可能是卷基层的激活单元是空间相关的，所以信息还是会通过卷基层送到下一层。因此，需要一种结构化形式的dropout来对卷积网络归一化——DropBlock，将特征图相邻区域的单元丢弃。此单元可以提高准确率和超参数选择的鲁棒性。当DropBlock丢弃相关区域中的特征时，网络必须在其他地方寻找证据来拟合数据。如图1：
相关工作：
很多由dropout引申的卷积网络正则化方法如DropConnect,maxout,StochasticDepth,DropPath等都是通过给卷积网络加入噪声来防止训练数据的过拟合，大部分成功的方法都需要噪声结构化。DropBlock与它们相比，更通用，可用在卷积网络的任意处。
DropBlock
DropBlock有两个主要的参数：block_size（要丢弃的块的尺寸）和γ（控制要放置多少激活单元），有两种方式：一种是共享的DropBlock mask应用于不同的特征通道，另一种是每个特征通道有自己的DropBlock mask，后者效果更好。算法如下：
设置block_size的值: 此设为常数，如果block_size是1，DropBlock类似dropout，如果block_size是覆盖整个特征图，DropBlock类似SpatialDropout
设置值y：
Scheduled DropBlock
一开始就将keep_prob设置为小值会影响学习，而keep_prob由1逐渐降到目标值会更有鲁棒性。文中使用线性的scheme来降低keep_prob
实验
哪里应用DropBlock
所有的实验基于残差网络，只将DropBlock应用在卷基层后或卷积层及跳跃连接后。
分析
