用于语义分割的序贯集成方法
计算机视觉与模式识别
2022-10-12 v1 机器学习
摘要
尽管竞争性基准测试和下游应用不断涌现，但基于深度学习的语义分割的集成方法仍未得到充分探索。在本工作中，我们在流行数据集上探索并对一种流行的集成方法进行了基准测试，该方法在测试时结合多个独立训练的 SOTA 模型的预测。此外，我们受 boosting 启发提出了一种新方法，对网络进行序贯集成，显著优于朴素集成基线。我们的方法训练一组级联模型，这些模型以先前模型预测的类别概率作为额外输入为条件。该方法的一个关键优势是允许动态计算卸载，有助于在移动设备上部署模型。我们提出的新型自适应调制（ADON）模块允许使用先前阶段的概率在各层进行空间特征调制。我们的方法在训练期间不需要复杂的样本选择策略，并适用于多种神经网络架构。我们在 Cityscapes、ADE-20K、COCO-Stuff 和 PASCAL-Context 等具有挑战性的数据集上显著优于朴素集成基线，并创造了新的 SOTA。
引用
@article{arxiv.2210.05387,
title = {Sequential Ensembling for Semantic Segmentation},
author = {Rawal Khirodkar and Brandon Smith and Siddhartha Chandra and Amit Agrawal and Antonio Criminisi},
journal= {arXiv preprint arXiv:2210.05387},
year = {2022}
}