关于语义分割对输入损坏鲁棒性的表示结构
计算机视觉与模式识别
2020-09-03 v1 图像与视频处理
摘要
语义分割是安全关键应用核心的场景理解任务，其对损坏输入的鲁棒性至关重要。隐式背景估计（IBE）已被证明是一种有前景的技术，能以极小的代价提升语义分割模型对分布外输入的鲁棒性。在本文中，我们提供了对比分析，比较了使用 Softmax、IBE 和 Sigmoid 的优化目标所习得的结构，以增进对其与鲁棒性关系的理解。作为该分析的结果，我们提出将 Sigmoid 与 IBE 结合（SCrIBE）以改善鲁棒性。最后，我们证明 SCrIBE 在所有损坏类型和严重程度级别上聚合的分割性能更优，其 mIOU 为 42.1，而 IBE 为 40.3，Softmax 基线为 37.5。
引用
@article{arxiv.2009.00817,
title = {On the Structures of Representation for the Robustness of Semantic Segmentation to Input Corruption},
author = {Charles Lehman and Dogancan Temel and Ghassan AlRegib},
journal= {arXiv preprint arXiv:2009.00817},
year = {2020}
}