类无关分割损失及其在显著目标检测与分割中的应用
计算机视觉与模式识别
2020-10-29 v1 机器学习
摘要
本文提出一种称为类无关分割（CAS）损失的新损失函数。借助 CAS 损失，类描述符在网络训练过程中学习得到。我们无需先验定义类的标签，而是以弱监督方式将外观相似的区域聚为一类。此外，我们证明 CAS 损失函数是稀疏的、有界的，且对类不平衡具有鲁棒性。我们将 CAS 损失函数与全卷积 ResNet101 及 DeepLab-v3 架构结合，应用于显著目标检测这一二值分割问题。我们在七个显著目标检测数据集上，针对低保真与高保真训练数据两种设定，对比了其与最先进方法的性能。对于低保真训练数据（错误类标签），类无关分割损失以约 50% 的惊人优势超越显著目标检测数据集上的最先进方法。对于高保真训练数据（正确类标签），类无关分割模型表现与最先进方法相当，同时在多数数据集上优于最先进方法。为展示该损失函数跨领域的效用，我们还在通用分割数据集上测试，其中类无关分割损失在区域与边缘指标上均以巨大优势超越基于交叉熵的损失。
引用
@article{arxiv.2010.14793,
title = {Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation},
author = {Angira Sharma and Naeemullah Khan and Ganesh Sundaramoorthi and Philip Torr},
journal= {arXiv preprint arXiv:2010.14793},
year = {2020}
}