AUCSeg：面向 AUC 的像素级长尾语义分割
计算机视觉与模式识别
2024-10-11 v2 人工智能
机器学习
摘要
ROC 曲线下面积（AUC）是评估实例级长尾学习问题的著名指标。在过去二十年间，已提出许多 AUC 优化方法以改善长尾分布下的模型性能。本文在像素级长尾语义分割语境下探索 AUC 优化方法，这一场景更为复杂。该任务为 AUC 优化技术带来两个主要挑战：其一，像素级任务中的 AUC 优化涉及复杂的损失项间耦合，包含结构化的图像内部依赖和像素间的两两相互依赖，使得理论分析复杂；其二，我们发现该情况下的小批量 AUC 损失估计需要更大的 batch 大小，导致不可接受的空间复杂度。为解决这些问题，我们开发了像素级 AUC 损失函数，并基于依赖图进行算法泛化能力的理论分析。此外，我们设计了尾部类别记忆库（T-记忆库）以管理巨大的内存需求。最终，跨越多个基准的全面实验确认了我们所提出 AUCSeg 方法的有效性。代码已公开于 https://github.com/boyuh/AUCSeg。
引用
@article{arxiv.2409.20398,
title = {AUCSeg: AUC-oriented Pixel-level Long-tail Semantic Segmentation},
author = {Boyu Han and Qianqian Xu and Zhiyong Yang and Shilong Bao and Peisong Wen and Yangbangyan Jiang and Qingming Huang},
journal= {arXiv preprint arXiv:2409.20398},
year = {2024}
}