多域鲁棒语义分割的实证研究
计算机视觉与模式识别
2022-12-09 v1
摘要
如何有效利用丰富的现有数据集训练鲁棒且高性能的模型，对许多实际应用具有重要意义。然而，由于在朴素合并不同数据集时存在标注冲突与域差异，在此类合并数据上训练的模型往往性能较差。本文中，我们尝试训练一个统一模型，期望其在多个流行分割数据集上跨域表现良好。我们从数据增强、训练策略和模型容量三个方面详细分析了其对模型泛化的影响。基于该分析，我们提出了一种能够提升跨域模型泛化的鲁棒方案。我们的方案在 RVC 2022 语义分割任务中排名第二，所用数据集规模仅为第一名模型所用数据的 1/3。
引用
@article{arxiv.2212.04221,
title = {An Empirical Study on Multi-Domain Robust Semantic Segmentation},
author = {Yajie Liu and Pu Ge and Qingjie Liu and Shichao Fan and Yunhong Wang},
journal= {arXiv preprint arXiv:2212.04221},
year = {2022}
}