MEDOE:长尾语义分割的多专家解码器和输出集成框架
本文提出了一种名为自适应均衡学习(AEL)的半监督语义分割新框架,旨在应对Cityscapes数据集中某些特定类别性能较差(即长尾标签分布),通过自信度相应动态调整训练,包括数据增广、数据采样等策略,实验证明其优于同类方法,并在多种数据划分协议下在Cityscapes和Pascal VOC基准测试中取得了显著的性能提升。
Oct, 2021
本文考虑了在包含标签噪声的长尾数据集上的实例分割任务,并提出了一个新的数据集,该数据集是一个包含标签噪声的大型词汇长尾数据集,结果表明训练集中的噪声将阻碍模型学习稀有类别,并降低整体性能,从而激发我们探索有效解决这个实际挑战的方法。
Nov, 2022
我们提出了一个新的训练框架,用于解决Heterogeneous Training of Semantic Segmentation (HTSS)问题,可以同时训练多个具有不同标签空间和标注类型的数据集,以提高Semantic Segmentation在性能、泛化和可识别的语义概念等方面的表现。
Jan, 2023
这篇文章提出了一种基于深度神经网络的MoE模型——Self-Heterogeneous Integration with Knowledge Excavation(SHIKE)来解决长尾分布的问题,模型采用Depth-wise Knowledge Fusion(DKF)融合不同浅层和深层次的特征,以达到更好的分类效果。
Apr, 2023
通过引入类别相关的变化,提出了一种在训练阶段使实例不再被投影到特征点而是小范围内的方法,从而在不同类别的特征区域之间实现平衡,提高语义分割的性能和可适用性。
Jun, 2023
本文关注于长尾语义分割 (LTSS) 这一相对未经深入研究的任务设置,建立了三个代表性数据集,并提出了基于Transformer的改进算法,用于解决应用语义分割技术在自动驾驶和虚拟现实中遇到的长尾问题,并通过LTSS评估系统和基准进行性能展示,旨在推动对语义分割任务的实证研究。
Jun, 2024
ORANDNet是一种针对弱监督语义分割的新型集成方法,利用两个不同分类器的类激活图和课程学习,提高了伪掩模的精确性并减轻了噪声,从而显著提高了分割性能。基于此方法的扩展同样适用于其他高级弱监督语义分割模型,表明ORANDNet具有作为弱监督语义分割模型的最终插件的潜力。
Jun, 2024
本研究解决了语义分割模型在现实扰动和未知分布外场景下的可靠性评估问题。提出的统一BRAVO挑战明确了语义可靠性和分布外可靠性两类标准,结果揭示了大规模预训练和简约架构设计在提升模型鲁棒性与可靠性方面的重要性。
Sep, 2024