语义分割中的补偿学习
计算机视觉与模式识别
2023-04-27 v1
摘要
标签噪声与相似类之间的歧义是语义分割中开发新模型与标注新数据的挑战性问题。本文中，我们提出语义分割中的补偿学习，一种识别并补偿歧义及标签噪声的框架。更具体地，我们向分类 logits 添加一个依赖于真值且全局学习的偏置，并为神经网络引入一种新颖的不确定性分支，以仅向相关区域诱导补偿偏置。我们的方法被嵌入最先进的分割框架，多项实验表明，我们所提的补偿学习了类间关系，从而允许对具有挑战性的歧义进行全局识别以及对后续标签噪声的精确定位。此外，它增强了训练期间对标签噪声的鲁棒性，并允许推理期间面向目标的操控。我们在广泛使用的数据集 Cityscapes、KITTI-STEP、ADE20k 和 COCO-stuff10k 上评估了所提方法。
引用
@article{arxiv.2304.13427,
title = {Training-Free Location-Aware Text-to-Image Synthesis},
author = {Jiafeng Mao and Xueting Wang},
journal= {arXiv preprint arXiv:2304.13427},
year = {2023}
}