早期退出语义分割网络中基于类别的阈值化
计算机视觉与模式识别
2022-10-28 v1 机器学习
摘要
我们提出了基于类别的阈值化（CBT），以在保持平均交并比性能的同时降低早期退出语义分割模型的计算成本。CBT 的一个关键思想是利用自然发生的神经坍缩现象。具体而言，通过计算训练集中每个类别的平均预测概率，CBT 为每个类别分配不同的掩码阈值，从而使得属于易预测类别的像素可以更早终止计算。我们在 Cityscapes 和 ADE20K 数据集上展示了 CBT 的有效性。与之前 SOTA 的早期退出模型相比，CBT 可将计算成本降低 。
引用
@article{arxiv.2210.15621,
title = {Class Based Thresholding in Early Exit Semantic Segmentation Networks},
author = {Alperen Görmez and Erdem Koyuncu},
journal= {arXiv preprint arXiv:2210.15621},
year = {2022}
}
备注
5 pages, 3 figures, 2 tables