专注计算机视觉全栈知识分享

该文介绍了一种基于的夜间图像分割方法，旨在提高夜间图像分割的性能。该方法分为有监督和无监督两种框架。有监督框架包括IAPM模块、分割网络和LGF模块，利用可学习的DIAL-Filters增强图像以进行更好的语义分割。无监督框架通过域适应实现从标注源域到目标域的分割，并引入判别器进行对抗学习。文章对比了多种方法，并在Dark Zurich-test和Night Driving数据集上进行了实验，结果表明，该方法在性能和效率方面优于其他方法。

本文中，研究者着手解决了将训练在完全不同任务上的两个或多个模型合并的极其困难的任务，而无需额外的训练。研究者通过实验证明了之前的工作在这种情况下的不足，并认为这是因为没有在模型内部合并特征，以及一次性合并模型的每一层。然后，研究者引入了名为ZipIt!的通用框架，用于合并模型并解决这些问题，并发现它在许多困难的模型合并设置上明显优于之前的工作和研究者自己的strong baseline。

如果您也对人工智能和计算机视觉全栈领域感兴趣，强烈推荐您关注有料、有趣、有爱的公众号『CVHub』，每日为大家带来精品原创、多领域、有深度的前沿科技论文解读及工业成熟解决方案！欢迎添加小编微信号:cv_huber，一起探讨更多有趣的话题！

如果一个模型使用standard dropout能更好地泛化，认为它处于过拟合状态如果模型在没有dropout的情况下表现更好，认为它处于欠拟合状态10年来，Dropout在应对过拟合问题上表现出色。在这项工作中，论文揭示了它的潜力，以帮助随机优化和减少欠拟合。论文的关键见解是，Dropout抵消了SGD带来的数据随机性，并在早期训练中减少了梯度方差。这也导致随机mini-batch梯度更符合底层的整个数据集梯度。