语义分割中的自调节
计算机视觉与模式识别
2021-08-24 v1
摘要
在本文中，我们探究语义分割（SS）中两类主要失败案例的成因：1）遗漏小物体或物体的微小部件，以及 2）将大物体微小部件误标为错误类别。我们有一个有趣发现：失败一源于细节特征的欠利用，失败二源于视觉上下文的欠利用。为帮助模型学习更好的权衡，我们引入若干自调节（SR）损失用于训练 SS 神经网络。所谓“自”，是指损失来自模型自身，无需使用任何额外数据或监督。通过应用 SR 损失，深层特征受浅层特征调节以保留更多细节；同时，浅层分类 logits 受深层调节以捕获更多语义。我们在弱监督与全监督 SS 任务上进行了广泛实验，结果表明我们的方法持续超越基线。我们还验证了 SR 损失易于在各种最先进 SS 模型中实现，例如 SPGNet 与 OCRNet，训练时计算开销极小，测试时为零。
引用
@article{arxiv.2108.09702,
title = {Self-Regulation for Semantic Segmentation},
author = {Zhang Dong and Zhang Hanwang and Tang Jinhui and Hua Xiansheng and Sun Qianru},
journal= {arXiv preprint arXiv:2108.09702},
year = {2021}
}
备注
ICCV 2021