Ada-Segment：面向全景分割的自动化多损失自适应方法
计算机视觉与模式识别
2020-12-08 v1
摘要
统一实例分割与语义分割的全景分割近年来受到越来越多的关注。现有方法多聚焦于设计新颖架构，而我们转向另一视角：利用一个经训练以捕捉学习动态的控制器，在训练过程中实时执行自动化多损失自适应（称为 Ada-Segment），灵活调整多个训练损失。这带来若干优势：它规避了全景分割决定性因素——敏感的损失组合的手动调参；它允许显式建模学习动态，并调和多目标（实验中多达十个）的学习；凭借端到端架构，它可泛化至不同数据集，无需重新调参或费力重调训练过程。我们的 Ada-Segment 在 COCO val 划分上相较原始基线带来 2.7% 全景质量（PQ）提升，在 COCO test-dev 划分上取得业界最优的 48.5% PQ，在 ADE20K 数据集上取得 32.9% PQ。大量消融研究揭示了训练过程中不断变化的动态，表明有必要引入本文所提出的自动化自适应学习策略。
引用
@article{arxiv.2012.03603,
title = {Ada-Segment: Automated Multi-loss Adaptation for Panoptic Segmentation},
author = {Gengwei Zhang and Yiming Gao and Hang Xu and Hao Zhang and Zhenguo Li and Xiaodan Liang},
journal= {arXiv preprint arXiv:2012.03603},
year = {2020}
}
备注
Accepted by AAAI2021