GMMSeg：基于高斯混合的生成式语义分割模型
计算机视觉与模式识别
2022-10-06 v1
摘要
主流的语义分割解决方案本质上是对p(class|pixel feature)的密集判别分类器。尽管直接，这一惯用范式忽略了底层数据分布p(pixel feature|class)，且难以识别分布外数据。超越此局限，我们提出GMMSeg，一类依赖密集生成式分类器对联合分布p(pixel feature,class)建模的新分割模型。对于每个类别，GMMSeg通过期望最大化（EM）构建高斯混合模型（GMMs），以捕获类条件密度。同时，深度密集表示以判别方式端到端训练，即最大化p(class|pixel feature)。这赋予GMMSeg生成式与判别式模型的双重优势。借助多种分割架构与骨干网络，GMMSeg在三个闭集数据集上优于对应的判别式模型。更令人印象深刻的是，无需任何修改，GMMSeg在开放世界数据集上亦表现良好。我们相信该工作为相关领域带来根本性启示。
引用
@article{arxiv.2210.02025,
title = {GMMSeg: Gaussian Mixture based Generative Semantic Segmentation Models},
author = {Chen Liang and Wenguan Wang and Jiaxu Miao and Yi Yang},
journal= {arXiv preprint arXiv:2210.02025},
year = {2022}
}
备注
Accepted to NeurIPS 2022; Code: https://github.com/leonnnop/GMMSeg