arXiv cs.AI· Yunus Serhat B{\i}\c{c}ak\c{c}{\i}·· 10 小时前AI 评分24
用 Vision Transformer 集成模型做全景街道分割，PalmCity 挑战赛夺冠方案公开
Vision Transformer Ensembles for Panoramic Street Segmentation
AI 导读
一项提交至 PalmCity 挑战赛的方案用三个基于 DINOv3 特征的 Encoder only Mask Transformer 等概率平均集成，在 84 张验证集上取得 60.95% mIoU，隐藏测试榜 57.08%，位列 2026 年 10 月 5 日快照第一。
正文 · AI 翻译
摘要：街景全景图的语义分割可以为城市环境的详细描述提供支持，但小型数据集和不均衡的训练成本使模型选择变得困难。本文记录了提交至 PalmCity 挑战赛的两个阶段。在第一阶段，使用大致相等的计算预算比较了九个预训练分割系统，并用三个随机种子训练了两个领先的候选模型。三个采用 DINOv3 特征的 Encoder only Mask Transformer 模型的等概率平均，在三个图像尺度上评估并采用水平翻转，在 84 张图像的验证集上达到 60.95% 的平均交并比，在隐藏测试排行榜上达到 57.08%，在 2026 年 10 月 5 日的快照中排名第一。在第二阶段，在相同的更新预算下测试了颜色和裁剪增强、稀有类别采样、更大的输入、更多架构以及后处理，并通过配对图像自助法比较候选模型，选择规则在结果出来之前就已固定。以 768×1536 和 896×1792 像素进行训练带来了最大的增益。所选的四模型集成仅在训练图像上训练时，在验证集上得分为 64.53%。在训练和验证图像上重新训练后，它在隐藏测试排行榜上获得 61.54% 的平均交并比和 71.93% 的平均 F1，在 2026 年 10 月 30 日的快照中位列五个条目之首。Segment Anything 投票、实例掩码叠加以及与其他架构的集成均会降低验证分数。由于验证图像指导了许多选择，且最终模型是在这些图像上训练的，因此验证分数偏乐观，测试分数是唯一的独立测量。本研究报告了所有运行、比较、成本和局限，并发布了代码和模型。
| 评论： | 26 页，6 幅图，12 张表。第 2 版增加了 2026 年 10 月 28 日至 30 日的第二阶段内容，包括其隐藏测试结果、负面结果和局限 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.06063 [cs.CV] |
| （或本版本的 arXiv:2610.06063v2 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.06063 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Yunus Serhat Bıçakçı [查看电子邮件]
[v1]
2026 年 10 月 5 日星期一 09:56:48 UTC（6,143 KB）
[v2]
2026 年 10 月 30 日星期五 13:13:43 UTC（7,058 KB）
来源：arXiv cs.AI · arxiv.org