HyperAIHyperAI
vor 17 Tagen

Ortsbewusstes Upsampling für die semantische Segmentierung

Xiangyu He, Zitao Mo, Qiang Chen, Anda Cheng, Peisong Wang, Jian Cheng
Ortsbewusstes Upsampling für die semantische Segmentierung
Abstract

Viele erfolgreiche Lernziele, wie die Minimierung der Dice-Verlustfunktion und der Kreuzentropie-Verlustfunktion, haben maßgebliche Fortschritte bei Segmentierungsaufgaben ermöglicht. Neben diesen semantischen Metriken zielt diese Arbeit darauf ab, Ortsinformationen in die semantische Segmentierung einzuführen. Ausgehend von diesem Ansatz präsentieren wir ein location-aware Upsampling (LaU), das die Interpolationskoordinaten adaptiv mit lernbaren Verschiebungen verfeinert. Anschließend werden location-aware Verlustfunktionen definiert, indem Pixel angeregt werden, sich zu gut klassifizierten Positionen zu bewegen. Das LaU-Modul kombiniert die Vorhersage von Verschiebungen mit der Interpolation und wird end-to-end trainiert, um an jeder Position eine Zuverlässigkeitsbewertung von grob bis fein zu generieren. Unter Anleitung der location-aware Verlustfunktionen kann das neue Modul seine einfache Alternative (z. B. bilineare Interpolation) plug-and-play ersetzen und damit die führenden Encoder-Decoder-Ansätze weiter verbessern. Umfassende Experimente bestätigen eine konsistente Steigerung gegenüber den aktuellen State-of-the-Art-Methoden auf Benchmark-Datensätzen. Unser Code ist unter https://github.com/HolmesShuan/Location-aware-Upsampling-for-Semantic-Segmentation verfügbar.

Ortsbewusstes Upsampling für die semantische Segmentierung | Neueste Forschungsarbeiten | HyperAI