摘要

全景分割（Panoptic Segmentation）作为一种统一实例分割与语义分割的范式，近年来受到越来越多关注。尽管现有大多数方法聚焦于设计新颖的网络架构，本文则从一个不同的视角出发：在训练过程中实时执行自动化的多损失自适应（称为 Ada-Segment），通过一个能够捕捉学习动态的控制器，灵活调整多个训练损失。该方法具有多项优势：避免了对敏感损失组合进行繁琐的手动调参——这是影响全景分割性能的关键因素；能够显式建模学习过程中的动态变化，并有效协调多个目标之间的学习（在实验中最多支持十个目标）；采用端到端架构，无需重新调整超参数或繁琐地重设训练流程，即可良好泛化至不同数据集。实验结果表明，Ada-Segment 在 COCO 验证集上相较原始基线模型提升了 2.7% 的全景质量（PQ），在 COCO 测试开发集上达到 48.5% 的 PQ，创下当前最优水平；同时在 ADE20K 数据集上取得 32.9% 的 PQ。大量消融实验揭示了训练过程中学习动态的持续演变特性，充分证明了本文所提出的自动化、自适应学习策略的必要性与有效性。