摘要

语义分割任务要求模型为图像中的每个像素分配语义标签。然而，当此类模型部署于与训练数据分布不同的未见领域时，其性能往往会显著下降。本文提出一种基于增强驱动的语义分割领域泛化新方法，该方法采用权重平均的重参数化视觉Transformer（ReVT）架构，在模型训练完成后对多个模型的权重进行平均。我们在多个基准数据集上对该方法进行了评估，在常用基准数据集上，小型模型取得了47.3%的mIoU（先前最优为46.3%），中型模型达到了50.1%的mIoU（先前最优为47.8%），均达到当前最优水平。与此同时，该方法所需参数更少，推理帧率更高，优于现有最佳方法。此外，该方法实现简单，且与网络集成（network ensembles）不同，在推理阶段不引入任何额外的计算复杂度。