语义分割的谱分析及其在特征截断与弱标注中的应用
计算机视觉与模式识别
2023-05-12 v5
摘要
众所周知，语义分割神经网络 (SSNNs) 生成密集分割图以解析物体边界，同时将预测限制在下采样网格上以降低计算成本。在诸如 U-Net 等 SSNNs 的准确率与训练成本之间存在显著的平衡。我们提出了一种谱分析，以研究下采样网格分辨率、损失函数与 SSNNs 准确率之间的相关性。通过在频域分析网络反向传播过程，我们发现传统损失函数（即交叉熵）与 CNN 的关键特征主要受分割标签的低频分量影响。我们的发现可通过多种方式应用于 SSNNs，包括 (i) 确定用于解析分割图的高效低分辨率网格；(ii) 截断高频解码器特征以进行网络剪枝，从而节省计算成本；(iii) 使用块级弱标注以节省标注时间。本文的实验结果与我们对 DeepLab V3+ 和 Deep Aggregation Net (DAN) 等网络的谱分析相一致。
引用
@article{arxiv.2012.14123,
title = {Spectral Analysis for Semantic Segmentation with Applications on Feature Truncation and Weak Annotation},
author = {Li-Wei Chen and Wei-Chen Chiu and Chin-Tien Wu},
journal= {arXiv preprint arXiv:2012.14123},
year = {2023}
}
备注
16 pages