研究人员开发了一种名为条件丢弃（Condition Dropout, ConD）的新方法，以提高RGB-D语义分割模型的鲁棒性。这些模型通常需要RGB和深度数据，但实际的传感器故障可能导致其中一种模态缺失。ConD通过在持续训练阶段模拟缺失模态来解决这个问题，这有助于模型在两种模态都存在时更好地利用剩余数据，而不会牺牲性能。在NYU-Depth V2和SUN RGB-D数据集上的实验表明，ConD提高了鲁棒性，甚至在完整模态场景下略微提高了准确性。 AI
影响 提高了计算机视觉模型在传感器数据不完整的现实场景中的可靠性。
排序理由 该集群包含一篇详细介绍特定AI任务新方法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.20326v1 Announce Type: cross Abstract: RGB-D semantic segmentation has achieved remarkable progress, yet most models assume that RGB and depth are always available. In practice, failures or occlusions of surveillance sensors often remove one modality. Although RGB or d…
RGB-D semantic segmentation has achieved remarkable progress, yet most models assume that RGB and depth are always available. In practice, failures or occlusions of surveillance sensors often remove one modality. Although RGB or depth alone can contain sufficient cues, models tra…