MetaFusion:语义分割中少数类的受控假阴性削减
计算机视觉与模式识别
2019-12-17 v1
摘要
在语义分割数据集中,高重要性的类别往往代表性不足,例如街景中的行人。神经网络通常训练为减少总体错误数,对各类错误附加相同的损失。然而,这不一定与人类直觉一致。例如,被忽视的行人似乎比被错误检测的行人更严重。一种可能的补救措施是引入类先验来部署不同的决策规则,将更大权重分配给代表性不足的类别。虽然在减少代表性不足类的假阴性同时,这也导致假阳性指示的显著增加。本工作中,我们将决策规则与假阳性检测方法相结合。因此我们融合假阴性检测与基于不确定性的假阳性元分类。我们给出了CIFAR-10的概念验证结果,并基于预测的'人类'类实例在Cityscapes数据集上证明了我们的方法在街景语义分割中的效率。在后者中,我们采用一种利用在实例上聚合的不确定性度量的先进假阳性检测方法。由此我们实现了代表性不足类的假阴性与假阳性样本之间改进的权衡。
引用
@article{arxiv.1912.07420,
title = {MetaFusion: Controlled False-Negative Reduction of Minority Classes in Semantic Segmentation},
author = {Robin Chan and Matthias Rottmann and Fabian Hüger and Peter Schlicht and Hanno Gottschalk},
journal= {arXiv preprint arXiv:1912.07420},
year = {2019}
}