核心概念
Die vorgeschlagene Pixel-basierte adaptive Trainingsmethode (PAT) adressiert die Herausforderungen von Segmentierung mit langer Schwanzverteilung, indem sie die klassenspezifische Gradientenmagnituden-Homogenisierung und die pixel-basierte klassenspezifische Verlustanpassung kombiniert. Dadurch wird die Auswirkung seltener Klassen und das Vergessen gut klassifizierter Klassen vermieden.
要約
Die Studie untersucht die Herausforderungen von Segmentierung mit langer Schwanzverteilung und schlägt eine innovative Pixel-basierte adaptive Trainingsmethode (PAT) vor, um diese Probleme anzugehen.
PAT besteht aus zwei Schlüsselelementen:
- Klassenspezifische Gradientenmagnituden-Homogenisierung: Dies gleicht den Einfluss der verschiedenen Klassengrößen auf den Lernprozess aus, indem der Verlust durch die Größe der Klassenmaskierung geteilt wird.
- Pixel-basierte klassenspezifische Verlustanpassung (PCLA): Hierbei wird der Verlust pro Pixel angepasst, um den Einfluss seltener Klassen und unzureichender Verlustbeiträge durch fehlerhafte Vorhersagen auszugleichen.
Durch diese Kombination fördert PAT ein robustes Lernen, ohne zuvor Erlerntes zu vergessen. Die Experimente zeigen, dass PAT die Leistung im NyU-Datensatz um 2,2% in mIoU und 0,36% in Pixelgenauigkeit verbessert. Ähnliche Verbesserungen werden auch in den Datensätzen CityScapes und OxfordPetIII beobachtet. Visualisierungen zeigen, dass PAT-trainierte Modelle seltene Objekte effektiv segmentieren, ohne gut klassifizierte Objekte zu vernachlässigen.
統計
Die Maske der Straße nimmt etwa 50.000 Pixel ein, während die Vegetation etwa 60.000 Pixel ausmacht. Autos nehmen dagegen nur etwa 1.000 Pixel ein.
Nicht nur Straße und Vegetation, sondern auch Gehwege und Himmel machen etwa 99% des Anteils aus, verglichen mit Autos.
Leere Flächen und Gebäude nehmen fast 70.000 bzw. 60.000 Pixel ein, während Schilder weniger als 1.000 Pixel ausmachen und keine Autos erscheinen.
Autos nehmen etwa 20.000 Pixel ein, obwohl ihre Maskengröße viel größer ist als in den ersten beiden Beispielen.
引用
Keine relevanten Zitate gefunden.