Auto Seg-Loss：为语义分割搜索度量代理损失
计算机视觉与模式识别
2020-12-04 v2
摘要
设计恰当的损失函数对于训练深度网络至关重要。尤其在语义分割领域，针对多样场景已提出各种评估度量。尽管广泛采用的交叉熵损失及其变体取得了成功，但损失函数与评估度量之间的错位会降低网络性能。同时，为每个特定度量手动设计损失函数需要专业知识和大量人力。本文中，我们提出通过为每个度量搜索可微分的代理损失，来自动化度量特定损失函数的设计。我们将度量中的不可微操作替换为参数化函数，并进行参数搜索以优化损失曲面的形状。引入两个约束来正则化搜索空间并使搜索高效。在 PASCAL VOC 和 Cityscapes 上的大量实验表明，搜索得到的代理损失一致优于手动设计的损失函数。搜索得到的损失能很好地泛化到其他数据集和网络。代码将公开。
引用
@article{arxiv.2010.07930,
title = {Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation},
author = {Hao Li and Chenxin Tao and Xizhou Zhu and Xiaogang Wang and Gao Huang and Jifeng Dai},
journal= {arXiv preprint arXiv:2010.07930},
year = {2020}
}