概述
最近半年的时间，我们基于之前提出的更高效的Object-Context方法(比Self-Attention的方法高效很多)跟更好的Backbone进行结合在多个数据集上都取得了目前的SOTA（没有使用任何trick），先分享一些初步的结果，我们准备在后面合适的时间分享整个实现以及相应的论文细节，以方便大家在一个更好的baseline上推动语义分割相关领域的研究, 同时也希望能得到更多分割领域的小伙伴们可以在openseg.pytorch的基础上做出更好的工作！
同时也欢迎有兴趣有能力的伙伴跟我们一起交流
openseg-group/openseg.pytorchgithub.com
先简单分享一下我们目前的结果(我们的方法在所有的6个数据集上应该都比之前的SOTA提高了1%~2%+)，后面我会分享更多的细节，
82.0%+/83.3%+ on the test set of Cityscapes with only Train-Fine + Val-Fine datasets/Coarse datasets.
45.5%+ on the val set of ADE20K.
56.5%+ on the val set of LIP.
56.0%+ on the val set of Pascal-Context.
81.2%+ on the val set of Pascal-VOC with ss test. (DeepLabv3+ is 80.02% with only train-aug)
40.5%+ on the val set of COCO-Stuff 10K.
RainbowSecret@2019-05-27
最后
以上就是热心音响为你收集整理的pytorch 语义分割loss_openseg.pytorch: 更强的语义分割benchmark的全部内容，希望文章能够帮你解决pytorch 语义分割loss_openseg.pytorch: 更强的语义分割benchmark所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复