勿在全卷积网络中忽视Dropout
计算机视觉与模式识别
2019-08-27 v1
摘要
由于人工标注者所需的精度，图像分割模型的数据获取可能代价高昂。我们进行了一系列实验，展示了在使用小数据集训练时，不同种类的Dropout训练对DeepLabv3+图像分割模型的影响。我们发现，当在模型架构中合适的位置施加适当形式的Dropout时，可以观察到平均交并比(mIoU)分数有非微不足道的提升。在我们的最佳情形中，我们发现将Dropout调度与SpatialDropout结合使用将基线mIoU从0.49提升至0.59。该结果表明，即便模型架构大量使用Batch Normalization，Dropout仍可作为低数据情形下提升性能的有效手段。
引用
@article{arxiv.1908.09162,
title = {Don't ignore Dropout in Fully Convolutional Networks},
author = {Thomas Spilsbury and Paavo Camps},
journal= {arXiv preprint arXiv:1908.09162},
year = {2019}
}
备注
14 pages