面向结构化预测任务的对抗结构匹配
计算机视觉与模式识别
2019-10-22 v2
摘要
逐像素损失，例如交叉熵或L2，已作为通用图像分类或回归的空间扩展被广泛用于结构化预测任务。然而，其独立同分布假设忽略了自然图像中存在的结构规律性。已有多种尝试通过结构先验以协作方式融入结构推理，从而鼓励共现模式。相反，我们从对立角度切入该问题，并提出一个新框架——对抗结构匹配（ASM），通过对抗过程训练此类结构化预测网络，其中我们训练一个结构分析器来提供监督信号，即ASM损失。结构分析器被训练为最大化ASM损失，或强调共现模式中反复出现的多尺度困难负结构错误。相反，结构化预测网络被训练为减少这些错误，从而能够区分细粒度结构。因此，使用ASM训练结构化预测网络减少了对象间的上下文混淆并改善了边界定位。我们证明我们的ASM在三个不同的结构化预测任务上优于逐像素IID损失或结构先验GAN损失：语义分割、单目深度估计和表面法线预测。
引用
@article{arxiv.1805.07457,
title = {Adversarial Structure Matching for Structured Prediction Tasks},
author = {Jyh-Jing Hwang and Tsung-Wei Ke and Jianbo Shi and Stella X. Yu},
journal= {arXiv preprint arXiv:1805.07457},
year = {2019}
}
备注
In CVPR 2019. Webpage & Code: https://jyhjinghwang.github.io/projects/asm.html