Adaptace během testování pro úlohu segmentace

Abstract

The thesis proposes novel single-image test-time adaptation methods for image segmentation based on a deep neural network. Test-time adaptation improves the robustness of the deep neural network to data shift using a single unlabelled image with no other data available. The methods are evaluated on two different deep segmentation networks, including a recent segmentation model trained on 1 billion segmentation masks, the SegmentAnything Model. The best approach reduces the segmentation error of the two models caused by synthetic corruptions by 15.47 % and 25.12 %.

Tato práce navrhuje nové metody pro adaptaci segmentačních modelů založených na hlubokých sítích z jednoho obrázku během testování. Adaptace v době testování zvyšuje robustnost hluboké neuronové sítě vůči změně distribuce dat pomocí jednoho neanotovaného obrázku bez přístupu k jiným datům. Metody jsou vyhodnoceny na dvou různých hlubokých segmentačních sítích, včetně nedávno publikovaného segmentačního modelu SegmentAnything trénovaného na 1 miliardě segmentačních masek. Nejlepší navrhovaný přístup snižuje segmentační chybu vyhodnocovaných modelů způsobenou syntetickými poruchami o 15.47 % a 25.12 %.