blob loss：面向语义分割的实例不平衡感知损失函数
计算机视觉与模式识别
2023-09-06 v3 机器学习
图像与视频处理
摘要
深度卷积神经网络（CNN）已被证明在语义分割任务中非常有效。大多数流行的损失函数旨在提高体积分数，例如 Dice 系数（DSC）。从设计上看，DSC 可以处理类别不平衡问题，但它无法识别类别内的实例不平衡。因此，一个大的前景实例可以主导小实例，并仍然产生令人满意的 DSC。然而，检测微小实例对于许多应用（如疾病监测）至关重要。例如，在多发性硬化症患者的随访中，定位和监视小规模病变是必不可少的。我们提出了一系列新颖的损失函数，称为 blob loss，主要旨在最大化实例级检测指标，如 F1 分数和灵敏度。Blob loss 专为检测多个实例至关重要的语义分割问题而设计。我们在五个复杂的 3D 语义分割任务中广泛评估了基于 DSC 的 blob loss，这些任务在纹理和形态方面具有显著的实例异质性。与 soft Dice loss 相比，就 F1 分数而言，我们在 MS 病变上实现了 5% 的提升，在肝脏肿瘤上实现了 3% 的提升，在显微镜分割任务上平均实现了 2% 的提升。
引用
@article{arxiv.2205.08209,
title = {blob loss: instance imbalance aware loss functions for semantic segmentation},
author = {Florian Kofler and Suprosanna Shit and Ivan Ezhov and Lucas Fidon and Izabela Horvath and Rami Al-Maskari and Hongwei Li and Harsharan Bhatia and Timo Loehr and Marie Piraud and Ali Erturk and Jan Kirschke and Jan C. Peeken and Tom Vercauteren and Claus Zimmer and Benedikt Wiestler and Bjoern Menze},
journal= {arXiv preprint arXiv:2205.08209},
year = {2023}
}
备注
23 pages, 7 figures // corrected one mistake where it said beta instead of alpha in the text