深度显著性模型：损失函数的探寻
计算机视觉与模式识别
2019-07-05 v1
摘要
深度学习的近期进展将视觉显著性模型的性能推至前所未有的高度。文献中众多模型提出了设计神经网络、安排注视模式数据或尽可能提取高低层图像特征以创建最佳显著性表示的新方法。然而，典型深度学习模型的一个关键部分常被忽视：损失函数的选择。在本工作中，我们探索了深度显著性模型中使用的一些最流行的损失函数。我们证明，在固定的网络架构下，修改损失函数可显著改善（或降低）结果，从而强调了设计模型时损失函数选择的重要性。我们还引入了据我们所知从未用于显著性预测的新损失函数。最后，我们表明，若干精心选择的损失函数的线性组合在不同数据集以及不同网络架构上均能带来性能的显著提升，从而证明了组合度量指标的鲁棒性。
引用
@article{arxiv.1907.02336,
title = {Deep Saliency Models : The Quest For The Loss Function},
author = {Alexandre Bruckert and Hamed R. Tavakoli and Zhi Liu and Marc Christie and Olivier Le Meur},
journal= {arXiv preprint arXiv:1907.02336},
year = {2019}
}
备注
10 pages, 4 figures