扁平化父类偏差：在庞加莱球中的层次语义分割

层次结构是语义分类学的自然表示，包括图像分割中常用的层次结构。事实上，近期的语义分割工作报告了利用层次标签结构进行监督训练后获得的分割精度提升。鼓励这些结果，我们重新审视了该工作背后的基本假设。我们假设并随后经验验证了，观察到的分割精度提升的原因可能完全与语义层次结构的使用无关。为此，我们设计了一系列跨域实验，以代表性的层次方法为例。我们发现，在新的测试域中，一个平坦（非层次）分割网络，其中父类节点是从子节点推断得出的，在各类情况下都优于层次方法。补充这些发现并受庞加莱空间内在特性启发，我们研究了一种更原则的方法来进行层次分割。该 hyperbolic 表示在分割精度上大大优于以往的（欧几里得）层次方法，并且在分割精度上与我们的平坦欧几里得基线持平。然而，它额外显示出在语义层次中尤其在更具挑战性的域中，父节点校准质量出奇地好。我们的综合分析表明，已确立的层次分割做法可能仅限于领域内设置，而平坦分类器在一般化上优势显著，尤其当其在 hyperbolic 空间中建模时。