基于动态记忆融合框架的自适应实时多损失函数优化：基于乳腺癌分割的案例研究
计算机视觉与模式识别
2025-07-29 v2 机器学习
摘要
深度学习已被证明是一种高度有效的工具，尤其在利用多损失函数同步优化多个准则性能方面发挥作用显著。然而，深度学习任务中最优损失函数的选择与权重分配对模型性能具有决定性影响，而人工调参往往效率低下且缺乏灵活性。我们提出一种新型框架，称为动态记忆融合，用于实现自适应多损失函数惩罚的实时优化。该框架利用历史损失值数据，动态调整训练过程中多个损失函数的权重。此外，该框架集成了辅助损失函数，以提升模型在早期阶段的性能。为拓展研究视野，我们引入平衡 Dice 损失函数，旨在通过优先处理欠代表类来解决类别不平衡问题。在乳腺超声声素数据集上的实验表明，该框架在各种指标上均提升了分割性能。这些结果表明我们提出的框架在确保模型动态调整焦点以优先处理最相关准则方面具有有效性，从而在不断演变的环境中实现性能提升。我们提出的方法源代码已公开于 GitHub。
关键词
引用
@article{arxiv.2410.19745,
title = {Adaptive Real-Time Multi-Loss Function Optimization Using Dynamic Memory Fusion Framework: A Case Study on Breast Cancer Segmentation},
author = {Amin Golnari and Mostafa Diba},
journal= {arXiv preprint arXiv:2410.19745},
year = {2025}
}