Tensorflow OD API-在微调模型时使用dropout

Question

我正在尝试使用自己的数据对SSD MobileNet v2（来自模型动物园）进行微调。在pipeline.config中，我看到use_dropout设置为false。这是为什么？我认为应该使用辍学来防止过拟合。

box_predictor {
  convolutional_box_predictor {
    conv_hyperparams {
      regularizer {
        l2_regularizer {
          weight: 3.99999989895e-05
        }
      }
      initializer {
        truncated_normal_initializer {
          mean: 0.0
          stddev: 0.0299999993294
        }
      }
      activation: RELU_6
      batch_norm {
        decay: 0.999700009823
        center: true
        scale: true
        epsilon: 0.0010000000475
        train: true
      }
    }
    min_depth: 0
    max_depth: 0
    num_layers_before_predictor: 0
    use_dropout: false
    dropout_keep_probability: 0.800000011921
    kernel_size: 3
    box_code_size: 4
    apply_sigmoid_to_scores: false
  }
}

是因为批量标准化吗？在此paper中，它表示：

  

3.4批量归一化将   模型

     

使用“批量归一化”进行训练时，可以将训练示例与其他示例结合使用。   小批量生产，并且培训网络不再为给定的培训示例生成确定性值。在   我们的实验中，我们发现这种效果是有利的   网络的普遍化。而辍学   （Srivastava et al。，2014）通常用于减少过度拟合，在批量标准化网络中，我们发现它可以   被移除或强度降低。