使用基于卷积自编码器的预处理层提升语义分割方法的预测精度
摘要
在本文中，我们提出了一种提升语义分割方法预测精度的方法如下：(1) 构建一个在语义分割网络前置基于卷积自编码器的预处理层的神经网络，以及 (2) 使用预训练自编码器的权重初始化并训练整个网络。我们将该方法应用于全卷积网络（FCN），并在 cityscapes 数据集上实验比较了其预测精度。采用 He normal 初始化的所提目标模型的 Mean IoU 比采用 He normal 初始化的 FCN 高 18.7%。此外，该目标模型的改进模型的精度也显著高于采用 He normal 初始化的 FCN。训练期间的精度和损失曲线表明，这些结果归因于泛化能力的提升。所有这些结果提供了强有力的证据，表明所提方法在提升 FCN 的预测精度方面显著有效。所提方法具有以下特点：相对简单，而对提升 FCN 的泛化能力和预测精度效果显著；使用该方法带来的参数量增加极少，而计算时间的增加则相当大。原则上，所提方法可应用于其他语义分割方法。对于语义分割，目前尚无有效方法来提升现有方法的预测精度。此前无人发表过与我们的方法相同或类似的方法，也无人曾在实践中使用过此类方法。因此，我们相信我们的方法在实用中是有价值的，值得被广泛认知和使用。
引用
@article{arxiv.2404.12718,
title = {Improving Prediction Accuracy of Semantic Segmentation Methods Using Convolutional Autoencoder Based Pre-processing Layers},
author = {Hisashi Shimodaira},
journal= {arXiv preprint arXiv:2404.12718},
year = {2024}
}
备注
The changes from the previous version: References [14] and [17] are added in page 2372. Summary of results and discussion (6) are added in page 2383. The new version has been reviewed by AAIML Journal. Reviewer1: The manuscript presents a solid contribution and is well written. The reviewer2: The work is novel and the results are promissing