Oct, 2020

使用数字填色提高语义分割模型的鲁棒性

PDF
TL;DR以自动驾驶为例，该论文通过数据增强技术 Painting-by-Numbers 提出了一种新的训练网络的方法，通过增加网络的偏置，使其更加注重物体形状，从而使得网络更鲁棒，在密集语义分割任务中，在 16 种不同的图片破坏和 5 种不同的网络中取得了比使用无噪声清晰数据训练的 74% 的优势。
autonomous drivingcnnsimage corruptionssemantic segmentationdata augmentation
发现论文，激发创造
  • 对语义分割模型鲁棒性的基准测试

    本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

    Aug, 2019

  • 增强的形状偏差能否提高神经网络对常见污染的鲁棒性？

    通过对自然图像进行样式和边缘特征的处理，对卷积神经网络进行数据增强可以减少纹理偏差并增加形状偏差，从而提高其鲁棒性。

    Apr, 2021

  • 关于场景理解中数据增强的视觉上下文重要性

    在通常正常的数据增量中增加特定任务需求的先验知识，在对象检测语境下，通过利用卷积神经网络来预测图像中可以放置物体的区域，同时仅使用有限的数据集，通过弱监督学习得到显著的提高。

    Sep, 2018

  • 从弱监督中进行语义前景修补

    本文介绍了使用一种新型的卷积神经网络（MPI）完成语义场景理解中的语义前景修复任务的方法，该方法不需要手动标注背景，并且其比之前最先进的两阶段方法提高了 3% 的 IoU，并在 Cityscapes 测试中表现得更有效率。

    Sep, 2019

  • 语义风格转换：将草图变为艺术品

    本文提出了一种新概念，即通过手动制作像素标签或使用现有解决方案进行语义分割，将生成式架构与语义注释相结合，从而增强生成算法的内容感知性，提高生成的图像质量，避免常见的故障，并扩展这些算法的功能范围。

    Mar, 2016

  • 结合语义指导与深度强化学习生成人类水平的绘画

    提出了一种语义引导的有效的神经网络模型，利用二级绘画过程来区分前景和背景笔画方法，并通过使用领域定位和空间转换器网络来保证前景对象的位置和比例不变，最后通过最大化基于感兴趣对象的导引反向传播来放大感兴趣对象的差异特征，从而实现了对前景对象属性变化的处理，能够在多前景对象的真实世界和虚拟场景中产生高质量的图像。

    Nov, 2020

  • 数据集增强与实例级别的数据扩充

    本研究提出了一种使用预训练的潜在扩散模型来扩充数据集的方法，并引入了实例级数据增强的概念。该方法通过重新绘制场景内的个别对象来改善卓越的显著目标检测、语义分割和物体检测模型的性能和泛化能力，并在需要数据匿名化时，通过重新绘制隐私敏感实例来实现。

    Jun, 2024

  • 通过背景增强对自监督学习的鲁棒性进行表征和改进

    通过引入背景增强技术，加强自监督学习中对物体的语义关注， 系统调研发现其在多个自监督学习任务中均有大幅提升效果，并成为有监督学习的有力竞争者，并在无监督显著性检测方面取得进展。

    Mar, 2021

  • 关于形状偏差、准确性和鲁棒性之间关系的澄清

    通过评估 39 种数据增强类型对广泛使用的 OOD 数据集的影响，证明了每种数据增强对模型对 OOD 数据的鲁棒性的影响，并进一步证明了所述假设不成立；形状偏差的增加不一定导致更高的 OOD 鲁棒性。通过分析结果，还发现 ImageNet-1K 数据集中的一些偏差可以通过适当的数据增强来减小。我们的评估结果进一步表明，域内准确性和 OOD 鲁棒性之间不一定存在权衡，选择适当的增强方法可以同时提高域内准确性和 OOD 鲁棒性。

    Jun, 2024

  • 基于生成对抗网络的语义图像分割像素级数据增强

    本文介绍如何使用数据增强方法来平衡语义标签分布，提高图像语义分割网络的性能，并使用生成对抗网络来生成逼真的图像以提高图像标签性能。实验结果表明，该方法不仅可以提高低准确度的分类的分割性能，还可以使平均分割准确率提高 1.3％至 2.1％。这种增强方法提高了准确性，可以轻松适用于其他分割模型。

    Nov, 2018