Jan, 2019

运用决策规则处理语义分割中的类别不平衡

PDF
TL;DR研究了如何解决语义分割中训练数据类别不平衡的问题，通过利用先验概率对后验概率进行加权，从而改善对少数类别的识别效果，实验证明其对于行人和路标的识别召回率分别提高了 25% 和 23.4%，同时非检测率显著降低了 61% 和 38%。
semantic segmentationneural networksclass imbalanceprior probabilitiesautonomous cars
发现论文，激发创造
  • 利用图像先验提高场景理解能力

    提出了一种简单而有效的方法，通过利用与自动驾驶相关的时序数据的图像先验来改善语义分割准确性，该方法采用先验融合网络来学习先前图像的特征，最终将具体应用于提高场景理解。

    Oct, 2019

  • 自训练用于类增量语义分割

    提出了一种基于自监督学习和伪标签的自训练方法，用于减轻深度神经网络在逐步学习新类任务时出现的灾难性遗忘问题，该方法不仅考虑了历史任务的知识，还利用了额外的数据提高了语义分割的性能。

    Dec, 2020

  • 基于不平衡数据的深度学习中的最大后验比率对合成信息的研究

    本研究通过生成合成数据来平衡少数类别数据，以探究类别不平衡数据对深度学习模型的影响。我们提出一种优先选择高信息熵样本的技术，通过最大化生成合成样本在其类别正确区域的概率来增强机器学习算法的准确性和效率。实验结果显示我们技术在增强深度学习模型方面表现出卓越性能。

    Jan, 2024

  • 分析和减轻弱势群体偏见：迈向数据集的平衡代表性

    通过对脆弱道路用户的分类不平衡、性能评估和偏见影响评估进行研究，我们提出了一种模型优化和偏见缓解的方法，包括数据增强、重采样和度量特定学习，以改善自动驾驶中感知系统的准确性和公正性。

    Jan, 2024

  • 在语义分割中实现平衡：召回损失

    本研究提出了一种基于瞬时召回表现动态加权的损失函数：hard-class mining loss，以解决计算机视觉应用程序（如语义分割）中的类别不平衡问题。研究结果表明，recall loss 可以在不影响准确度的情况下提高平均准确度，并具有与标准交叉熵损失相竞争的平均 Intersection over Union（IoU）性能。

    Jun, 2021

  • 调整决策边界用于类别不平衡学习

    本论文中，我们提出了一种新方法来解决神经网络训练中出现的类不平衡问题，这种方法旨在画出更好的决策边界并缩放权重向量，从而实现优秀的性能结果。

    Dec, 2019

  • 使用离散 Wasserstein 训练实现自动驾驶中的重要性感知语义分割

    该论文提出在 Wasserstein 训练框架中，通过配置其地面距离矩阵来纳入重要性感知的类间相关性，可以更好地在自动驾驶系统中处理像行人等重要物体的语义分割。实验证明，该算法在保障安全驾驶的关键类别上有卓越的分割表现。

    Oct, 2020

  • 语义图像分割中的损失最大池化

    介绍了一种新的损失最大池化方法，用于处理数据不平衡的情况，可作为深度神经网络中的替代损失层用于语义图像分割中，通过自适应重新加权像素的贡献来解决分类器对于少数类别偏向性的问题，理论和实验结果都表明该方法可以有效提高图像分割效果。

    Apr, 2017

  • 语义分割的类增量学习：无需再利用旧数据或旧标签

    本文提出了一种对语义分割算法进行增量式学习的技术，该技术可以在不使用模型最初训练的标记数据的情况下，进行类别的增量式学习，以便于在开发需要新类的自治驾驶系统时使用。我们的实验结果表明，我们提出的技术可以超过同类算法，并有助于提高各类别的性能。

    May, 2020

  • 卷积神经网络中类别不平衡问题的系统研究

    本研究系统地研究了类别不平衡对卷积神经网络分类性能的影响，并比较了几种解决该问题的常用方法。在使用三个基准数据集进行实验的过程中，研究者发现类别不平衡对分类性能有不利影响，而通过过采样的方法可以提高分类性能。同时，该研究还发现阈值补偿在一定场景下也能够提高分类性能。

    Oct, 2017