Tabla de contenido
-
prefacio
-
Resumen del método DPSS
-
DeP y DDeP
- estructura básica de la red
- función de pérdida
- extensión de la difusión
-
experimento
-
Resumir
-
referencia
¡Este artículo se publicó por primera vez en GiantPandaCV y no se puede reproducir sin permiso! !
prefacio
Un problema particularmente común en la tarea de segmentación semántica actual es que el costo y el tiempo de recopilación de la verdad básica son muy altos, por lo que se utilizará el entrenamiento previo. Como la clasificación supervisada o la extracción de características autosupervisada, generalmente se usa para entrenar la columna vertebral del modelo. En base a este problema, el método presentado en este artículo se denomina preentrenamiento de eliminación de ruido del decodificador (DDeP), como se muestra en la siguiente figura.
Similar a un codificador automático de eliminación de ruido estándar, la red está entrenada para eliminar imágenes de entrada ruidosas. Sin embargo, el codificador se entrena previamente y se congela usando el aprendizaje supervisado, y solo los parámetros del decodificador se optimizan usando el objetivo de eliminación de ruido. Además, cuando se le da una entrada ruidosa, el decodificador se entrena para predecir el ruido en lugar de predecir directamente la imagen limpia, que también es más común.
Resumen del método DPSS
El artículo presentado en esta oportunidad se llama Denoising Pretraining for Semantic Segmentation Por conveniencia, el siguiente texto se abreviará como DPSS. DPSS utiliza U-Net basado en transformadores como sistema de eliminación de ruido