用于图像分割的训练后自适应U-Net
计算机视觉与模式识别
2023-01-18 v1 机器学习
图像与视频处理
摘要
典型的用于图像分割的神经网络架构若不经进一步训练便无法更改。这是相当受限的,因为网络可能不仅在强大的服务器上运行,也会在移动或边缘设备上执行。自适应神经网络通过在训练过程完成后允许一定的自适应性,为该问题提供了解决方案。在这项工作中,我们首次将训练后自适应(PTA)方法应用于图像分割任务。我们引入了U-Net+PTA神经网络,它可以被训练一次,然后适配不同的设备性能类别。该方法的两个关键组成部分是PTA模块和PTA采样训练策略。训练后配置可在包括移动设备在内的任何推理设备上运行时完成。此外,PTA方法在CamVid数据集上提升了图像分割的Dice分数。最终训练好的模型可在6种PTA配置间运行时切换,这些配置在推理时间与质量上有所不同。重要的是,所有配置的质量均优于原始U-Net(无PTA)模型。
引用
@article{arxiv.2301.06358,
title = {Post-Train Adaptive U-Net for Image Segmentation},
author = {Kostiantyn Khabarlak},
journal= {arXiv preprint arXiv:2301.06358},
year = {2023}
}