全卷积开集分割
计算机视觉与模式识别
2020-06-29 v1 机器学习
图像与视频处理
摘要
在语义分割中，了解所有已有类别对于绝大多数现有方法产生有效结果至关重要。然而，这些在闭集类别上训练的方法在测试阶段遇到新类别时会失效。这意味着它们不适用于开集场景，而开集场景在现实计算机视觉与遥感应用中十分常见。本文中，我们讨论闭集分割的局限性，并提出两种全卷积方法以有效应对开集语义分割：OpenFCN 与 OpenPCS。OpenFCN 基于知名的 OpenMax 算法，配置了该方法在分割设定中的新应用。OpenPCS 是一种全新方法，基于来自 DNN 激活的特征空间，用作在较低维空间中计算 PCA 与多元高斯似然的特征。实验在知名的 Vaihingen 与 Potsdam 分割数据集上进行。与更简单且高效得多的 SoftMax 阈值化相比，OpenFCN 几乎无改进，却慢数个数量级。OpenPCS 在几乎所有实验中均取得有前景的结果，超越了 OpenFCN 与 SoftMax 阈值化。OpenPCS 也是极快 SoftMax 阈值化与极慢 OpenFCN 在运行时间表现上的合理折衷，接近实时运行。实验亦表明 OpenPCS 有效、鲁棒且适用于开集分割，能够在已知类别像素精度不降的前提下提升未知类别像素的识别。
引用
@article{arxiv.2006.14673,
title = {Fully Convolutional Open Set Segmentation},
author = {Hugo Oliveira and Caio Silva and Gabriel L. S. Machado and Keiller Nogueira and Jefersson A. dos Santos},
journal= {arXiv preprint arXiv:2006.14673},
year = {2020}
}
备注
Submitted to the Machine Learning Journal