qq_45981086的博客

Boundary Iou可以克服以上所有测量方式的缺陷。Boundary IoU首先计算距离每个轮廓d以内的原始掩码像素集，然后计算这两个集合的并集上的交并比。（其中边界区域Gd和Pd分别是距离真实轮廓和预测轮廓d个像素内所有像素的集合。如下图所示，相比于Mask IoU，在固定的错误严重性下，Boundary IoU对于大对象的偏向性更小；相比于Trimap IoU，Boundary IoU是对称的测量方法；相比于Trimap IoU，Trimap IoU对。

Capturing Omni-Range Context for Omnidirectional Segmentation（捕获全范围上下文进行全方位分割）

框架主要有两个阶段：源域估计阶段、知识转移和模型适应。源域估计阶段：在无法访问源域数据的情况下，首先使用生成器和固定权重的源域模型对源域进行了估计，使生成器能够生成符合源域分布的样本。知识转移阶段：利用生成器来估计源域(工作域)并合成与分布中的真实源数据相似的假样本，用于将域知识从训练有素的源模型转移到目标模型模型适应阶段：通过知识转移从源模型中恢复和保存源域知识，而且还能够从目标域中提取有价值的信息，用于自我监督学习。提出了一个基于熵的域内补丁级自我监督模块(IPSM)，以利用正确分割的补丁作为模型自适应

引入了修复图像误差最大化（IEM）作为一种无监督分割的方法。这是一种新的对抗性方法，通过将图像划分为最大限度独立的集合来进行无监督的分割。IEM是一种简单的无监督图像分割方法，无学习的IEM分割器产生的分割可以作为有噪声的训练标签来训练深度分割网络，进一步提高了分割质量。这给出了一个自然的对抗性目标，分割器试图最大化inpainting误差，而图像修复器试图最小化inpainting误差。每个掩模通过在掩模和图像之间执行元素乘积从原始图像中选择像素子集，从而将图像划分为区域。，明确地生成F和B。

神经网络结构搜索指的是寻找最优的神经网络结构使得验证准确率最大化。比如ResNet验证准确率高于VGG网络，说明ResNet神经网络结构优于VGG。但是在考虑准确率的同时也要考虑计算量和内存开销，比如，MobileNet的计算量和内存开销比VGG要小很多，尽管MobileNet的准确率不如VGG。以卷积神经网络CNN为例。1.卷积层数量和全连接层数量。2.卷积核数量、大小和步距。3.输出向量大小。

在神经网络中有一些需要手动设置的超参数，主要包括两类，一类是Architecture（神经网络结构），比如有多少卷积层，每层有多少卷积核，卷积核有多大。另一类是Algorithm（优化算法），如SGD优化算法。这两类超参数都可以影响到训练过程中的参数进而影响到测试集上的准确率。 因此如何自动调整超参数是一门很热门的研究方向。