MISS：通过视觉归纳先验流传播实现内存高效的实例分割框架
计算机视觉与模式识别
2024-03-19 v1 多媒体
摘要
实例分割是计算机视觉中的一项基石任务，在各行各业有着广泛的应用。深度学习和人工智能的出现凸显了训练有效模型的关键性，尤其是在数据稀缺的场景下——这一问题在学术界和工业界都引起了共鸣。该领域的一个重大障碍是获取高质量、带标注的实例分割数据需要大量资源，这一障碍加剧了在资源约束下开发鲁棒模型的挑战。在此背景下，将视觉先验策略性地集成到训练数据集中成为一种潜在的解决方案，以增强与测试数据分布的一致性，从而减少对计算资源的依赖和对高度复杂模型的需求。然而，将视觉先验有效嵌入学习过程仍然是一项复杂的任务。为应对这一挑战，我们引入了 MISS（内存高效实例分割系统）框架。MISS 利用视觉归纳先验流传播，在数据预处理、增强、训练和推理的不同阶段整合来自 Synergy-basketball 数据集的内在先验知识。我们的实证评估强调了 MISS 的有效性，在数据可用性有限和内存受限的场景下展示了值得称赞的性能。
引用
@article{arxiv.2403.11576,
title = {MISS: Memory-efficient Instance Segmentation Framework By Visual Inductive Priors Flow Propagation},
author = {Chih-Chung Hsu and Chia-Ming Lee},
journal= {arXiv preprint arXiv:2403.11576},
year = {2024}
}