人人人人插

电脑版下载

76640
8

人人人人插截图Q8X2R7L1T4J5M9B6W3

内容详情

人人人人插

新智元报道

编辑：LRST

【新智元导读】香港中文大学提出了一个全新的算法框架RankSEG，用于提升语义支解使命的性能。古板要领在展望阶段使用threshold或argmax天生掩码，但这种要领并非最优。RankSEG无需重新训练模子，仅需在推理阶段增添三行代码，即可显著提高Dice或IoU平支解指标。

在语义支解使命中，通常接纳「在展望阶段，通过对概率图应用threshold 或argmax来天生mask」的古板范式。

然而，你是否思索过：这种做法真的能够最大化Dice或IoU等主流支解评估指标吗？

香港中文大学的最新研究证实晰这一古板要领的次优性，并提出了一种立异性算法框架RankSEG，无需重新训练模子，仅需三行代码即可显著提升支解性能。

系列事情包括刚被NeurIPS 2025吸收的高效支解算法，以及揭晓于JMLR的焦点理论，还开源了配套的Python工具包，无需重训模子，仅通过增添三行代码，即可有用提升支解指标体现。

NeurIPS论文链接：https://openreview.net/forum?id=4tRMm1JJhw

JMLR论文链接:https://www.jmlr.org/papers/v24/22-0712.html

代码链接：https://github.com/rankseg/rankseg

若是业界从业者希望最大限度地「榨干」支解模子的性能，只需阅读第一节，即可解锁怎样将RankSEG无缝集成到现有流程中。

开源软件包

研究职员提供了一个易用的RankSEG类，初始化时可指定需要优化的支解指标（如 Dice、IoU 等）。随后，只需挪用predict要领并输入概率图，即可获得优化后的展望效果。

现实使用时，只需将原有的probs.argmax(dim=1)替换为rankseg.predict(probs)，即可轻松集成，无需过多改动，简朴高效。

RankSEG与古板argmax要领的效果比照，使用统一个训练好的模子，唯一的区别仅在推理阶段的处置惩罚方法。图中用红框举行了重点标注：在第一个例子中，RankSEG 乐成识别出桌子上的小瓶子；在第二个例子中，RankSEG乐成支解出了被遮挡的人脸；第三个例子捕获到更完整的肿瘤块�？梢韵宰趴闯�，RankSEG在小物体识别和处置惩罚被遮挡等重大场景时，支解效果相较于古板 argmax 有显著提升。

Demo链接：https://huggingface.co/spaces/statmlben/rankseg

QuickStart：https://colab.research.google.com/drive/1c2znXP7_yt_9MrE75p-Ag82LHz-WfKq-?usp=sharing

文档链接：https://rankseg.readthedocs.io/en/latest/index.html

古板threshold/argmax的局限性

现在主流的支解流程，通常通过训练模子来预计每个像素的种别概率，随后接纳threshold或argmax要领天生最终的展望掩码（Mask）。

这种逐像素分类（pixel-wise classification）的要领，优化目的是像素级的准确率；但支解使命真正体贴的，是整体的重合度指标（如Dice或IoU），二者并不完全一致。

理论上，古板的threshold / argmax展望方法是次优的（suboptimal）。例如，在下面这个由两个像素组成的简化场景中，即便其中一个像素的展望概率低于0.5，为了获得最优的Dice分数，依然应该将其判断为远景。简朴来说，逐像素最优解纷歧定能带来全局最优的支解效果。

左侧红框给出了最终支解效果，右侧展示了简要的盘算历程。其中，体现通过threshold/argmax获得的展望效果。

可以看到，这种展望方法对应的Dice分数并未抵达最优；而为了获得最优的Dice，现实上应当将第二个概率低于0.5的像素也判为远景，这个例子直观地展现了古板threshold/argmax要领在整体支解性能上的局限性。

焦点理论：RankSEG

那么，怎样才华获得最优的支解展望呢？下面的定理给出了理论上的解答，并指出了实现该最优性的详细要领（这里以Dice指标为例，类似的思绪同样适用于IoU优化）。

这个定理可以分为以下几个要害部清楚确：

Dice期望的盘算

已知每个像素的概率值，输入展望的mask，该 mask 的Dice系数的期望可以体现为：

只要遍历所有可能的二值 mask，盘算对应的Dice期望，并取最大的那一个就能获得最优解。然而，所有mask的组合数为2的d次方，盘算量呈指数增添，直接穷举在现实应用中不可行。

排序性子

定理进一步指出，只需关注这样一类特殊的mask：

即概率值排序后，取前大的像素展望为远景。那么只需要搜索「体积」从0到d，大大镌汰了盘算重漂后。

这里隐含了一种排序（Ranking）性子：若是像素j的概率大于像素j'的概率，那么把j判作远景对Dice期望的提升更大。该事情针对这一直观结论给出了严酷的理论证实，也由此取名RankSEG。

自顺应阈值的最优展望规则

这里，是遍历差别体积，找到Dice期望最大的对应阈值。与古板的牢靠阈值差别，这种阈值是自顺应（adaptive）的，会凭证每张图片的概率漫衍动态调解，不再局限于 0.5。

符号记号及期望公式的化简：为简化后续推导，我们将上述Dice期望重写如下：

其中是去掉第j个元素后的向量，（替换）为剩余像素的远景体积。

由于每个像素是自力伯努利漫衍，实质上听从泊松二项漫衍（概率完全相同则退化为经典二项漫衍）。

RankSEG定理直接以寻找Dice最优展望为目的，巧妙地使用排序性子，带来了精练且高效的支解展望要领。不过，在定理的现实应用历程中，仍保存两个主要挑战：

期望值盘算的重大性：对每个候选支解，Dice期望的准确盘算开销大；

多种别支解的最优描绘难题：在多种别（multi-class）语义支解场景下，由于每个像素只能归属于一个种别（即「无重叠」约束），最优展望的描绘以及直接优化全局指标都变得越发重大和棘手。

针对以上难点，研究职员引入近似化的技巧，旨在进一步简化盘算，同时提出更为适用（practical）的算法计划，以增进RankSEG在种种现实支解使命中的高效应用。

高效近似算法：RankSEG-RMA

RankSEG的盘算重漂后较高，限制了其在高维图片中的现实应用，最新的算法（NeurIPS 2025）引入倒数矩近似和多种别支解。

倒数矩近似

RankSEG盘算的主要瓶颈在于每个候选掩码都需要准确盘算Dice期望。

详细而言，难点在于求解如下关于的倒数期望项：。该期望需要针对每对重新睁开d项求和；若是能够找到一个近似表达式，使得该期望对差别的和j无需重复自力盘算，就可以一次性高效推断，并在差别的评估中复用效果，从而大大降低整体盘算重漂后。

首先，注重到在目今的图像支解使命中，像素数目d通常很是大。

在这种情形下，去除单个像素j前后的和（即与）之间差别极小。因此，可以用直靠近似，从而消除了对像素j的依赖。

其次，针对泊松伯努利漫衍，进一步视察到：当d足够大时，倒数的期望和期望的倒数很是靠近。

因此，后者可以作为前者的近似值，这样一来，期望的盘算同样挣脱了对的依赖。研究职员将这种近似称为倒数矩近似（Reciprocal Moment Approximation, RMA）。

借助该要领，用定理2中的替换原来的，在显著提升盘算效率的同时，依然能够坚持较低的近似误差。

这里和前缀和都可以提前一次性算好，并在后续所有的评估中重复使用，整体盘算重漂后仅为。

多种别支解

RankSEG的框架可以自然地扩展到multi-label场景（即单个像素允许属于多个种别）。然而，在多种别单标签（multi-class）支解使命中，每个像素只能分派一个类别的「非重叠」约束，使得直接扩展RankSEG会涉及到重大的匹配（assignment）问题，盘算重漂后显著提升。

为此，研究职员提出如下近似算法，兼顾了效率与精度：

1. 自力二值支解：对每个种别自力应用RankSEG-RMA算法，划分获得各自的binary mask。

2. 去除重叠：关于展望效果中重叠的区域，仅保存masks之间无重叠部分，舍弃多种别同时展望的像素。这一步可能导致部分像素没有被分派给任何种别。

3. 盘算提升值：关于这些未分派的像素j，盘算其加入差别类别的提升值，其中c是种别，是已分派给种别c的像素荟萃。

4. 贪心分派：在重叠或未分派像素中，凭证最大增益为每个像素j选择种别：

这种要领虽然在最后一步引入了 argmax 机制，但与古板要领相比，具备以下两个显著优势：

选择性使用argmax：只有在重叠区域才接纳argmax，而大部分像素展望仍然由RankSEG原始算法直接决议，充分验展了RankSEG的优势。

Principled scores：反应的是某像素j被分给种别c后Dice期望的提升，因而比纯粹的概率最大化更切合支解性能的优化目的。

需要说明的是，此要领实质上是一种贪心的近似战略，由于仅思量每次加入单个像素时的「瞬时」效益，未全局协同优化。

但实验效果显示，在兼顾盘算效率的同时，该要领能够带来不错的支解性能提升，体现出了合理的适用价值。

实验效果

研究职员在多个主流支解数据集（如PASCAL VOC, Cityscapes, LiTS, KiTS等）和多种深度学习模子上举行了普遍实验，验证了RankSEG系列要领的优越性。

从表中效果可以视察到：

性能提升显著：RankSEG系列要领相较古板的argmax展望机制，在支解精度上均有显著提升。

高效近似性：RankSEG-RMA与原始的RankSEG-BA在支解性能上险些无损失，但推理速率提升数十倍，极大地提升了现实应用的效率。

整体开销较低：只管RankSEG-RMA在推理阶段相较于argmax在绝对时间上有增添，思量模子前向（model forward）时间后，其整体盘算开销增添有限。而原始的 RankSEG-BA，其耗时则靠近于模子前向撒播时间自己，限制了现实安排。

公正性比照：所有用果均基于统一个训练模子，RankSEG 作为模子输出的「后处置惩罚」操作，阻止了因神经网络训练历程中的随机性导致的性能波动，包管了比照效果的客观性。

参考资料：

https://openreview.net/forum?id=4tRMm1JJhw

秒追ASI

?点赞、转发、在看一键三连?

点亮星标，锁定新智元极速推送！

k1体育麻将胡了

人人人人插

多人强伦姧人妻h

在线免费黄片A片

通用网站小猴导航

野外一级A片XXXX

色色五月婷婷强奸

TS赵恩静在胯下娇喘的

桃色午夜成人剧院

人人干人人摸人人操人人

李嘉欣被弄高潮视频

人妻一级色色

∏OPHO HD 720

国产高清一级A片免费视频

免费亚洲a片在线播放

黄毛片A级毛片BBBB一级视频

亚洲中文精品视频

欧美在线看免费Ⅴa

强奸乱伦一区三区

国产91精品福利

99riAV天堂网

男人用嘴添女人荫蒂

亚洲天堂免费

青色大脑手机版安装包下载

永久免费A∨片在线观看

乱仑视频

欧美自拍偷拍区

蔡司电影免费观看完整版

日韩精品第六页

wwww在线

无码高清羞羞视频

熊出没纳雅被C 裸体

日韩精品快射网视频在线

国产91精选在线观看网站

高hav在线

我的绝色韵母白霜小说免费阅读

女学生被c扒衣服官方版下载

国产视频老色

在线播放欧美精品日韩系列

国产欧美在线乱码

1024看片无码人妻

把女人弄爽A片免费视频

VA欧美在线视频

国模av

国产全黄A级A片一免费

人人人澡人人人看人人人看

国产成人精品❌❌❌水

A片操逼

欧美色区亚洲色第一页10p

永久av免费网站

夜夜夜夜夜综合

8x拔插91看片流水了高清

cao欧美色就是色

美女视频一区免费播放高清

自制汇编高潮视频

手机黄网国产视频

少萝被 脱脱内内做运动天涯

黄页网址大全在线观看

国产淫乱a片

九九视频这里只有精品

88888888欧美洲视频在线

中国一级久久免费视频

人妻丰满AV中文久久不卡

萝幼社

久久狠狠高潮亚洲精品

jm350234董卓漫画

成 人 黄A∨免费观看

黄色大片一级片

日本黄大片国产欧美日本

国产91精品一区二区亚洲

国产无码a.

一级免费高清黄色视频

精品久久久久久久无码首页

欧美巨屌性交

绿帽社最新网址

中文字幕人妻丝袜二区六区

a片免费网站剧情

古装激情偷乱人伦视频

大尺寸黄色视

啊轻点啊视频

少萝被脱脱内内做运动天涯

成人黄A∨免费观看