工业视觉退化条件下实例分割剪枝与数据增强策略评估

《Scientific Reports》:Robustness of sparse instance segmentation models under synthetic distribution shifts

【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9

编辑推荐:

   基于深度学习的实例分割在受控环境中能够取得很高的精度,但在合成视觉退化条件下往往表现不佳,这在以杂乱背景、多变光照和有限计算资源为特征的工业应用中尤为突出。训练过程中的数据增强和模型剪枝是两种公认的用于提升分割模型鲁棒性和泛化能力的技术。虽然这些技术此前已被单独研究,但本文将

  基于深度学习的实例分割在受控环境中能够取得很高的精度,但在合成视觉退化条件下往往表现不佳,这在以杂乱背景、多变光照和有限计算资源为特征的工业应用中尤为突出。训练过程中的数据增强和模型剪枝是两种公认的用于提升分割模型鲁棒性和泛化能力的技术。虽然这些技术此前已被单独研究,但本文将其独立评估以分析各自的贡献。本文针对最先进的实例分割模型,在七种具有工业相关性的退化类型下系统性地评估了剪枝策略,包括运动模糊、雾气和对比度变化。基于钢铁废回收数据集,我们从物体材料、尺度和退化严重程度的维度评估了性能表现。评估揭示了不同类型的退化对分割性能造成不同程度的下降。更重要的是,我们表明剪枝可以将模型压缩90%,同时在退化图像数据上保持甚至在特定情况下适度提升分割性能,尽管模型对对比度损失等特定类型的偏移仍然存在脆弱性。基于上述发现,本文为工业应用场景提出了具体的数据增强和模型策略建议。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号