语义分割任务的迁移性估计
计算机视觉与模式识别
2024-03-01 v3
摘要
迁移性估计是迁移学习中的一个基本问题，旨在预测将源模型（或源任务）迁移到目标任务时性能的好坏。在迁移性分数的指导下，我们可以高效地选择高迁移性的源模型，而无需在实践中执行真实的迁移。近期的解析迁移性度量主要针对图像分类问题设计，目前对于语义分割任务的迁移性估计尚无专门研究，而这是自动驾驶、医学图像分析等领域中的一个重要问题。因此，我们进一步将近期的解析迁移性度量 OTCE（基于最优传输的条件熵）分数扩展到语义分割任务。应用 OTCE 分数的挑战在于高维的分割输出，难以在可接受的计算代价下找到众多像素之间的最优耦合。为此，我们提出随机采样 N 个像素来计算 OTCE 分数，并将 K 次重复下的期望作为最终的迁移性分数。在 Cityscapes、BDD100K 和 GTA5 数据集上的实验评估表明，OTCE 分数与迁移性能高度相关。
引用
@article{arxiv.2109.15242,
title = {Transferability Estimation for Semantic Segmentation Task},
author = {Yang Tan and Yang Li and Shao-Lun Huang},
journal= {arXiv preprint arXiv:2109.15242},
year = {2024}
}
备注
This paper is not the latest version. Please refer to Efficient Prediction of Model Transferability in Semantic Segmentation Tasks (ICIP'23) for more details. https://ieeexplore.ieee.org/abstract/document/10222912