一举两得：通过 IBN-Net 增强学习与泛化能力
计算机视觉与模式识别
2020-03-24 v3
摘要
卷积神经网络 (CNNs) 已在许多计算机视觉问题中取得巨大成功。不同于现有工作设计 CNN 架构以改进单一领域单一任务的性能且不可泛化，我们提出 IBN-Net，一种新颖的卷积架构，它显著增强 CNN 在一个领域（如 Cityscapes）上的建模能力，以及其在另一领域（如 GTA5）上的泛化能力，而无需微调。IBN-Net 精心地将实例归一化 (IN) 和批量归一化 (BN) 集成为构建模块，并可封装进许多先进深度网络以提升其性能。本工作有三个关键贡献。(1) 通过深入研究 IN 和 BN，我们揭示 IN 学习对外观变化（如颜色、风格和虚拟/真实）不变的特征，而 BN 对保留内容相关信息至关重要。(2) IBN-Net 可应用于许多先进深度架构，如 DenseNet、ResNet、ResNeXt 和 SENet，并持续提升其性能而不增加计算成本。(3) 当将训练好的网络应用于新领域时，例如从 GTA5 到 Cityscapes，IBN-Net 即使不使用来自目标领域的数据，也取得了与域适应方法相当的改进。借助 IBN-Net，我们在 WAD 2018 Challenge 可行驶区域赛道上获得第一名，mIoU 为 86.18%。
引用
@article{arxiv.1807.09441,
title = {Two at Once: Enhancing Learning and Generalization Capacities via IBN-Net},
author = {Xingang Pan and Ping Luo and Jianping Shi and Xiaoou Tang},
journal= {arXiv preprint arXiv:1807.09441},
year = {2020}
}
备注
Accepted for publication at ECCV 2018