HyperAIHyperAI
vor 2 Monaten

MRFP: Lernen von generalisierbaren semantischen Segmentierungen durch Sim-2-Real mit Multi-Resolution Feature Perturbation

Udupa, Sumanth ; Gurunath, Prajwal ; Sikdar, Aniruddh ; Sundaram, Suresh
MRFP: Lernen von generalisierbaren semantischen Segmentierungen durch Sim-2-Real mit Multi-Resolution Feature Perturbation
Abstract

Tiefe neuronale Netze haben in Aufgaben zur semantischen Szeneverstehens auf Quelldomänen hervorragende Leistungen gezeigt. Aufgrund des Mangels an Stilvervielfalt während des Trainings bleibt jedoch die Steigerung der Leistung auf unbekannten Zieldomänen unter Verwendung von Daten aus nur einer einzigen Quelldomäne eine herausfordernde Aufgabe. Die Erstellung simulierter Daten stellt eine machbare Alternative zum Abrufen großer, stilvariativer realweltlicher Datensätze dar, da dieser Prozess mühsam und kostenintensiv ist. Dennoch stellen die großen domänenspezifischen Inkonsistenzen zwischen simulierten und realweltlichen Daten eine erhebliche Generalisierungsherausforderung in der semantischen Segmentierung dar. In dieser Arbeit schlagen wir eine neuartige Technik namens MultiResolution Feature Perturbation (MRFP) vor, um domänenspezifische feingranulare Merkmale zu randomisieren und den Stil grober Merkmale zu stören. Unsere experimentellen Ergebnisse auf verschiedenen Datensätzen für die Segmentierung von Stadtlandschaften deuten deutlich darauf hin, dass neben der Störung von Stilinformationen die Störung von Feinmerkmal-Komponenten entscheidend ist, um für semantische Segmentierungsmodelle domäneninvariante robuste Merkmalskarten zu lernen. MRFP ist ein einfaches und rechnerisch effizientes, übertragbares Modul ohne zusätzliche lernfähige Parameter oder Zielfunktionen, das den modernsten tiefen neuronalen Netzen hilft, robuste domäneninvariante Merkmale für die Segmentierung von Simulation bis Realität zu lernen.

MRFP: Lernen von generalisierbaren semantischen Segmentierungen durch Sim-2-Real mit Multi-Resolution Feature Perturbation | Neueste Forschungsarbeiten | HyperAI