用于近实时语义分割的前瞻对抗学习
计算机视觉与模式识别
2021-01-22 v3 机器学习
摘要
语义分割是计算机视觉中最基础的问题之一，对多种应用具有重大影响。对抗学习被证明是一种通过强化更高层次的像素关联与结构信息来提升语义分割质量的有效方法。然而，最先进的语义分割模型无法轻易嵌入对抗设置中，因为它们并未设计以应对对抗网络中的收敛与稳定性问题。我们通过构建一个以最先进分割模型（DeepLabv3+）为核心的条件下对抗网络来弥补这一差距。为应对稳定性问题，我们提出了一种带有嵌入式标签图聚合模块的新颖前瞻对抗学习（LoAd）方法。我们关注在推理时运行快速、适用于近实时现场应用的语义分割模型。通过大量实验，我们证明所提方案能够缓解对抗语义分割设置中的发散问题，并在三个标准数据集上使基线取得可观的性能提升（某些类别达+5%）。
引用
@article{arxiv.2006.11227,
title = {Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation},
author = {Hadi Jamali-Rad and Attila Szabo},
journal= {arXiv preprint arXiv:2006.11227},
year = {2021}
}
备注
25 pages