用于语义分割的基于卷积的概率梯度损失
计算机视觉与模式识别
2024-04-11 v1 人工智能
摘要
本文提出了一种用于语义分割的基于卷积的概率梯度损失。它采用类似于 Sobel 算子的卷积核，能够计算图像中像素强度的梯度。这使得计算真实标签和预测的逐类别概率的梯度成为可能。它通过最大化这两个概率梯度之间的相似性来增强网络性能。此外，为了专门提高目标边界附近的准确率，我们基于真实概率梯度提取目标边界，并将 CPG 损失专门应用于属于边界的像素。CPG 损失被证明是非常方便且有效的。它通过卷积建立像素间的关系，与交叉熵损失等逐像素损失函数相比，从不同的维度计算误差。我们在三个标准分割数据集（Cityscapes、COCO-Stuff 和 ADE20K）上的三个成熟网络（DeepLabv3-Resnet50、HRNetV2-OCR 和 LRASPP_MobileNet_V3_Large）上进行了定性和定量分析，以评估 CPG 损失的影响。我们大量的实验结果一致且显著地表明，CPG 损失提高了平均交并比。
关键词
引用
@article{arxiv.2404.06704,
title = {Convolution-based Probability Gradient Loss for Semantic Segmentation},
author = {Guohang Shan and Shuangcheng Jia},
journal= {arXiv preprint arXiv:2404.06704},
year = {2024}
}
备注
12 pages, 7 figures