面向网络校准的类别与区域自适应约束
计算机视觉与模式识别
2024-03-20 v1
摘要
本文提出一种校准分割网络的新方法，该方法考虑了不同类别和对象区域所带来的固有挑战。具体而言，我们提出一种将类别与区域约束集成到学习目标中的公式，并采用多个惩罚权重来应对类别和区域差异。然而，手动寻找最优惩罚权重可能不可行，并可能阻碍优化过程。为克服这一局限，我们提出一种基于类别与区域自适应约束（CRaC）的方法，该方法能够在训练过程中学习类别和区域惩罚权重。CRaC 基于广义增广拉格朗日方法，这是约束优化中一项成熟的技术。在两个流行的分割基准数据集和两个知名的分割网络上的实验结果表明，CRaC 相较于现有方法具有优越性。代码见：https://github.com/Bala93/CRac/
引用
@article{arxiv.2403.12364,
title = {Class and Region-Adaptive Constraints for Network Calibration},
author = {Balamurali Murugesan and Julio Silva-Rodriguez and Ismail Ben Ayed and Jose Dolz},
journal= {arXiv preprint arXiv:2403.12364},
year = {2024}
}
备注
Under review