Mar, 2022

当三维语义分割面临类别不平衡和 OOD 数据时的挑战理解

PDF
TL;DR本研究旨在探讨类别不平衡问题对三维语义分割的影响及其对应的解决方案，包括数据增强方法的提出与实验、信任度评分算法的应用等，研究结果表明类别不平衡、类间歧义性和类内差异性是三维语义分割面临的主要挑战，相关算法的可靠性也需要进一步提高来满足实际应用需求。
3d semantic segmentationclass imbalancedata augmentationtrust scoresreal-world applications
发现论文，激发创造
  • 基于语言的室内野外 3D 语义分割

    本文提出新的计算机视觉方法，使 3D 语义分割可以更好地理解具有更多类别和自然分布的真实环境，并在新的扩展基准上测试，使用语言驱动的预训练方法使特征更鲁棒。实验结果表明，我们的方法在提出的基准上始终优于现有技术。

    Apr, 2022

  • 重温基于 LiDAR 的 3D 物体检测中的超出分布检测

    利用合成的离群对象数据生成特征图以对未知物体进行检测并使用多层感知器分类，从而有效处理自动驾驶中的风险和可靠性问题。

    Apr, 2024

  • 语义分割的判别式非分布检测

    本文提出了一种针对视觉分类中的开放世界场景中的数据分割问题的新方法，该方法能够训练出一个专门针对原始训练集以及更大的 “背景” 数据集的 ODD（出现在分布之外的异常值）检测模型，并在测试复杂自然图像的数据集中得到了优异的表现。

    Aug, 2018

  • 基于激光雷达的三维物体检测中的超分布检测

    本文提出了一种基于特征提取的方法，用于检测 LiDAR-based 3D 物体检测中的异常输入，并通过使用 KITTI 数据集的实验结果表明不同的基于异常检测的方法对于不同输入的检测存在偏差，因此更多的综合方法和研究方向是必要的。

    Sep, 2022

  • 开放世界中的半监督目标检测

    在这篇论文中，我们提出了一个名为 Open World Semi-supervised Detection（OWSSD）的框架，该框架通过一种轻量级的自编码器网络对进行过 ID 数据训练从而有效地检测 OOD 数据，并从中学习，我们通过大量评估表明我们的方法在与最先进的 OOD 检测算法的竞争中表现出色，并显著改善了开放世界场景下的半监督学习性能。

    Jul, 2023

  • 语义分割中的可靠性问题：我们能否使用合成数据？

    本文挑战了最先进的生成模型，通过对稳定扩散进行微调，在语义分割方面自动生成合成数据以评估其可靠性。通过广泛实验，我们表明合成数据与真实异常数据的表现之间存在高度相关性，从而显示了该方法的有效性。此外，我们说明了如何利用合成数据来提高分割器的校准和异常检测能力。

    Dec, 2023

  • 通过学习本地对抗攻击进行语义分割中的异常检测

    本文提出了一种名为 ObsNet 的 OOD 检测体系结构，通过基于局部对抗攻击（LAA）的专用训练方案，实现了在速度和精度方面得到表现的最佳方法，解决了当前方法在实际应用中速度和精度快慢两难的问题。

    Aug, 2021

  • 通过风格对齐的异常感知语义分割

    自动驾驶背景下，为了在开放世界中部署无人车时遇到未知对象，将标准语义分割模型配备异常感知能力至关重要。本文通过减小合成的超出分布数据和驾驶场景之间的领域差异，有效缓解训练中可能出现的突破口，提升了超出分布合成过程。此外，我们提出了一种简单的微调损失函数，有效地促使预训练的语义分割模型生成 “给定类别之外” 的预测，利用像素级超出分布分数进行异常分割。在最小化微调工作的情况下，我们的流程使得在异常分割任务中能够使用预训练模型，同时保持对原始任务的性能。

    Aug, 2023

  • 语义分割中的超范围物体检测与检索

    本文通过在不同的数据集上使用深度学习的方法，实现了以城市街道场景为基础的图像识别模型对于不同场景下的物体进行准确分类和目标检测，并且通过对于特征向量的提取和降维，成功实现了基于图像碎片的图像检索和分割。

    May, 2020

  • 重新思考半监督目标检测对于航空影像中的尺度不平衡

    本文研究了半监督目标检测在航空图像中存在的尺度不平衡问题，并提出了适应性阈值判别、尺度再平衡标签分配和教师引导负样本学习等关键组件，以实现尺度无偏学习。通过对 DOTA-v1.5 基准上的广泛实验，证明了我们提出的方法在性能上优于现有竞争方法。

    Oct, 2023