基于超像素混合的鲁棒语义分割
计算机视觉与模式识别
2021-10-22 v2 人工智能
机器学习
摘要
除预测性能与推理速度外，可靠性是现实世界语义分割的一项关键要求。可靠性涵盖鲁棒性、预测不确定性以及偏差的降低。为提升可靠性，我们提出 Superpixel-mix，一种基于超像素的新数据增强方法，并结合教师-学生一致性训练。与其他基于混合的增强技术不同，在图像间混合超像素能够感知物体边界，同时带来分割精度上的一致提升。我们所提出的技术在 Cityscapes 数据集上的半监督语义分割中取得了最先进（SOTA）结果。此外，Superpixel-mix 通过降低网络不确定性与偏差提升了语义分割的可靠性，这在强分布偏移（恶劣天气、图像损坏）以及面对分布外数据时具有竞争力的结果中得到了证实。
引用
@article{arxiv.2108.00968,
title = {Robust Semantic Segmentation with Superpixel-Mix},
author = {Gianni Franchi and Nacim Belkhir and Mai Lan Ha and Yufei Hu and Andrei Bursuc and Volker Blanz and Angela Yao},
journal= {arXiv preprint arXiv:2108.00968},
year = {2021}
}
备注
Accepted to BMVC2021