PulseAugur
中
实时 06:55:04
English(EN) Toward Reliable RGB-D Semantic Segmentation: Handling Missing Modalities via Condition Dropout

新技术提高了AI模型处理缺失传感器数据的能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为条件丢弃（ConD）的新技术，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，但在实际场景中，其中一种模态经常会丢失。ConD通过继续训练预训练的RGB-D模型来解决这个问题，随机模拟输入中缺失RGB或深度数据的情况。这种方法在两种模态都存在时，可以在不牺牲准确性的前提下，增强模型利用剩余模态的能力。 AI

影响 提高了AI模型在传感器数据可能不完整的现实场景中的可靠性。

排序理由 这是一篇详细介绍AI模型鲁棒性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新技术提高了AI模型处理缺失传感器数据的能力

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xuchen Zhu, Yajuan Wei, Shuang Hao, Jiwei Jiang, Guanxiang Mao, Fang Ren ·

    迈向可靠的RGB-D语义分割：通过条件Dropout处理缺失模态

    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…

相关实体

相关话题