基于卷积自编码器的预处理层提高语义分割方法的预测准确性

我们提出了一种方法来提高语义分割方法的预测准确性，该方法包括构建一个基于卷积自编码器的预处理层的神经网络，并对整个网络进行训练。通过在城市景观数据集上实验比较，我们发现所提出的目标模型的均交并比（Mean IoU）比初始初始化的全卷积网络（FCN）高出 18.7％，而修改后的目标模型的均交并比显著高于初始化的 FCN。训练过程中准确性和损失曲线的变化表明这是由于泛化能力的改进。这些结果强有力地证明了该方法在提高 FCN 的预测准确性方面的显著有效性。该方法具有以下特点：相对简单，但对于提高 FCN 的泛化能力和预测准确性的影响显著；使用该方法增加的参数数量非常小，而计算时间的增加则相当大。原则上，该方法可以应用于其他语义分割方法。目前，在语义分割领域中，没有有效的方法可以提高现有方法的预测准确性，没有人发表过与我们方法相同或类似的方法，也没有人在实践中使用过这样的方法。因此，我们相信我们的方法在实践中是有用的，值得广为人知和使用。