椅子分割：一个用于研究物体分割的紧凑基准
计算机视觉与模式识别
2020-12-03 v1 机器学习
摘要
多年来，数据集与基准对新算法的设计产生了过大的影响。在本文中，我们介绍 ChairSegments，一个新颖且紧凑的用于物体分割的半合成数据集。我们还展示了迁移学习中的实证发现，这些发现反映了近期图像分类中的发现。我们特别展示了从预训练权重集合微调而来的模型位于优化景观的同一 basin 中。ChairSegments 由一组多样的具有透明背景的椅子原型图像合成到多样的背景阵列中构成。我们旨在使 ChairSegments 成为 CIFAR-10 数据集的等价物，但用于快速设计并迭代新颖的分割模型架构。在 Chair Segments 上，一个 U-Net 模型仅使用单个 GPU 就能在三十分钟内训练至完全收敛。最后，虽然该数据集是半合成的，它可作为真实数据的有用代理，当用作预训练源时在 Object Discovery 数据集上取得了最先进的精度。
引用
@article{arxiv.2012.01250,
title = {Chair Segments: A Compact Benchmark for the Study of Object Segmentation},
author = {Leticia Pinto-Alva and Ian K. Torres and Rosangel Garcia and Ziyan Yang and Vicente Ordonez},
journal= {arXiv preprint arXiv:2012.01250},
year = {2020}
}
备注
10 pages, 7 figures