双曲空间不确定性感知的语义分割
计算机视觉与模式识别
2023-05-29 v2 机器人学
摘要
语义分割（SS）旨在将每个像素分类到预定义类别之一。该任务在自动驾驶汽车和自主无人机中发挥重要作用。在 SS 中，许多工作表明大多数误分类像素通常位于具有高不确定性的物体边界附近。然而，现有 SS 损失函数在训练时并未专门处理这些不确定像素，因为这些像素通常被与高置信分类像素同等对待，且无法以任意低失真嵌入欧几里得空间，从而退化了 SS 的性能。为克服该问题，本文设计了一种“双曲不确定性损失”（HyperUL），在训练时通过双曲距离在双曲空间中动态突出误分类和高不确定性像素。所提出的 HyperUL 与模型无关，可轻松应用于各种神经架构。将 HyperUL 用于三种近期 SS 模型后，在 Cityscapes 和 UAVid 数据集上的实验结果显示，现有 SS 模型的分割性能可得到一致提升。
引用
@article{arxiv.2203.08881,
title = {Hyperbolic Uncertainty Aware Semantic Segmentation},
author = {Bike Chen and Wei Peng and Xiaofeng Cao and Juha Röning},
journal= {arXiv preprint arXiv:2203.08881},
year = {2023}
}
备注
We have added more content to the manuscript