困于纹理偏差？深度实例分割的大规模比较
计算机视觉与模式识别
2024-01-18 v1
摘要
用于实例分割的深度学习模型能否以系统的方式泛化到新物体？对于分类任务，这种行为已受到质疑。在本研究中，我们旨在了解某些设计决策（如框架、架构或预训练）是否有助于实例分割的语义理解。为了回答这个问题，我们考虑了一个鲁棒性的特例，并在一个具有挑战性的、面向物体的分布外纹理基准上比较了预训练模型。在这项工作中，我们没有引入另一种方法。相反，我们退一步，评估了现有文献中的广泛方法。这包括 Cascade 和 Mask R-CNN、Swin Transformer、BMask、YOLACT(++)、DETR、BCNet、SOTR 和 SOLOv2。我们发现 YOLACT++、SOTR 和 SOLOv2 对分布外纹理的鲁棒性显著优于其他框架。此外，我们表明更深和动态的架构提高了鲁棒性，而训练计划、数据增强和预训练的影响较小。总之，我们在 61 个版本的 MS COCO 上评估了 68 个模型，总共进行了 4148 次评估。
引用
@article{arxiv.2401.09109,
title = {Trapped in texture bias? A large scale comparison of deep instance segmentation},
author = {Johannes Theodoridis and Jessica Hofmann and Johannes Maucher and Andreas Schilling},
journal= {arXiv preprint arXiv:2401.09109},
year = {2024}
}
备注
Accepted at ECCV 2022. Code: https://github.com/JohannesTheo/trapped-in-texture-bias