11:38
官方账号arXiv cs.AI@Xuchen Zhu, Yajuan Wei, Shuang Hao, Jiwei Jiang, Guanxiang Mao, Fang Ren
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。
NYU-Depth V2
共 1 条相关 AI 资讯
7月23日
11:38
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。