论文:The Lovasz-Softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks
Github:https://github.com/bermanmaxim/LovaszSoftmax
CVPR2018
论文提出了LovaszSoftmax,是一种基于IOU的loss,效果优于cross_entropy,可以在分割任务中使用。最终在Pascal VOC和 Cityscapes 两个数据集上取得了最好的结果。
cross_entropy loss:
Softmax 函数:
Jaccard index :
优化的IOU loss:
论文贡献:
- 结合Lovasz hinge 和Jaccard loss 解决2值图片的分割问题
- 提出了Lovasz-Softmax loss 对多个类别分割的参数设置
- 设计了一个基于batch的IOU作为基于dataset IOU的高效代理
- 分析和对比各种IOU测量方法
- 基于本文的loss,对经典的分割方法的分割效果做出很大的提升
定义1:
定义2:
得出:
(1)对于前景背景分割的问题,使用Lovasz hinge
(2)对于多类别分割问题,使用Lovasz-Softmax loss
前景背景分割:
多类别分割:
优化的IOU:
实验结果:
(a)中第一个图为label,第二个图为特征,通过对第一个图进行高斯滤波
fi ∼ N (e; 1) ,e=1/2对于前景,e=-1/2对于背景。
(b)Lovasz hinge 的bias的绝对最小值和Jaccard loss 最接近
二类分割:
多类分割:
总结:
分割任务可以使用的loss,相比cross entropy具有更好的效果。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)