AITOP

语义分割

共 5 条相关 AI 资讯
8月12日
16:25
16:25官方账号arXiv cs.AI@Ali Saleh, Abdul Karim Gizzini, Mohamad Ghassany, Ali J. Ghandour
该论文提出一种以熵为中心的可解释AI（XAI）方法，用于遥感图像的语义分割。作者还设计了一种新的XAI评估方法，以高效衡量所提方法高亮区域的相关性。实验结果表明，该方法在性能上优于近期为语义分割适配的XAI方法。研究旨在提升黑盒模型在遥感等关键领域的透明度和信任度。
论文可解释AI遥感图像分割熵
推荐理由：这篇论文给遥感图像分割的可解释性带来了新思路，用熵做核心，还配了新的评估方法，比现有方法效果更好。
原文
7月23日
11:38
11:38官方账号arXiv cs.AI@Xuchen Zhu, Yajuan Wei, Shuang Hao, Jiwei Jiang, Guanxiang Mao, Fang Ren
针对 RGB-D 语义分割模型在缺失 RGB 或深度模态时性能骤降的问题，研究者提出 Condition Dropout (ConD) 方法。ConD 在预训练模型基础上增加第二阶段训练，随机模拟完整、缺 RGB 或缺深度输入，冻结原编码器并训练带有零初始化特征注入的副本。在 NYU-Depth V2 和 SUN RGB-D 数据集上，ConD 在缺失模态下显著提升鲁棒性，且完整模态下略有增益。代码将在论文接收后公开。
论文ConDNYU-Depth V2SUN RGB-D
推荐理由：做语义分割的可以看看 ConD，训练完一个模型就能同时应付缺 RGB 或缺深度的情况，还能保持全模态精度。简单有效，代码也快开源了。
原文
7月1日
11:35
11:35官方账号arXiv cs.LG@Nikolai Röhrich, Julian Gleißner, Ahmed H. A. Ibrahim, Silvan Mertes, Tobias Huber
该论文提出一种不确定性引导的合成上下文增强策略，利用基线分割器的预测熵识别不确定语义区域，仅对互补视觉上下文进行修补。在Cityscapes、UAVID和BDD100K数据集上，微调后mIoU分别提升1.2%、2.1%和1.8%，尤其在公交车、火车和汽车等稀有类别上增益最大。该方法无需外部模型，严格保持标签有效性，且计算损失时仅基于原始像素。
论文扩散模型Cityscapes语义分割
推荐理由：搞语义分割的可以试试这个，它只增强模型犯难的区域，在几个自动驾驶数据集上提点挺明显，尤其是稀有类别。
原文
6月16日
12:12
6月15日
11:13