带除法归一化的神经网络用于图像分割及其在Cityscapes数据集上的应用
计算机视觉与模式识别
2022-11-10 v2 机器学习
摘要
计算机视觉中的关键问题之一是适应性：模型过于僵化，无法跟随输入的变化。感官神经科学中解释适应性的典型计算是除法归一化，它对图像流形具有引人注目的效果。在本文中，我们展示在当前深度网络中引入除法归一化可使它们对图像中非信息性变化更具不变性。具体而言，我们聚焦于用于图像分割的U-Net架构。实验表明，在U-Net架构中加入除法归一化相较于常规U-Net可得到更好的分割结果。当处理在恶劣天气条件下获取的图像时，该增益稳步增加。除在Cityscapes与Foggy Cityscapes数据集上的结果外，我们通过响应可视化解释了这些优势：除法归一化引起的均衡化导致对对比度与光照局部变化更具不变性的特征。
引用
@article{arxiv.2203.13558,
title = {Neural Networks with Divisive normalization for image segmentation with application in cityscapes dataset},
author = {Pablo Hernández-Cámara and Valero Laparra and Jesús Malo},
journal= {arXiv preprint arXiv:2203.13558},
year = {2022}
}