Semantic Segmentation via Structured Refined Prediction and Dual Global Priors
Notice bibliographique
Résumé
Deep residual network and multi-scale context module become two key ingredients in recent researches which made great progress in semantic segmentation tasks. The multi-scale features utilized by these networks are also proven to be effective in refining object boundaries. However, regular convolution kernels are inherently limited to geometric transformation due to the fixed structure. Additionally, when integrating multi-scale information in boundary detection, the capability of global attention starts to degrade and the problem of inconsistent intra-class segmentation will occur. To solve above problems, we propose two novel architectures dubbed as Deformable Residual Boundary (DRB) module and Dual Global Prior (DGP) module. The DRB module can learn more refined boundary information from non-rigid geometric structures by deformable convolutions. The extracted information will be further embedded into the branches of an encoder-decoder architecture to handle the deformation of objects. For multi-scale fusion, the DGP module utilizes global priors to enhance the global attention, which alleviates the inconsistent intra-class segmentation problem especially when dealing with object surfaces of different textures/resolutions. We achieve a mean IOU value of 80.3% without coarse set, outperforming state-of-the-art approaches. When training with the coarse set, the final mIOU of the proposed method is 80.9%, also competitive to other approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».