面向语义图像分割的局部自适应学习损失
计算机视觉与模式识别
2018-04-17 v2 机器学习
摘要
我们提出了一种新颖的局部自适应学习估计器，用于增强深度神经网络（Deep Neural Networks）的类间与类内判别能力，其可作为语义图像分割任务的改进损失层。大多数损失层计算特征图与真值之间的逐像素代价，忽略了空间布局以及具有相同物体类别的相邻像素之间的相互作用，因而网络无法对类内关联有效敏感。我们的方法逐步进行：首先对所预测的特征图执行自适应池化滤波，旨在合并一小组具有相同类别的相邻像素上的预测分布，随后计算合并后的分布向量与其类别标签之间的代价。该设计可使来自同一类别的相邻预测组参与对其类别预测正确性的估计，从而训练网络基于类别对相邻像素间的区域关联更加敏感。在 Pascal VOC 2012 分割数据集上的实验表明，所提方法相较以往同类方法取得了更优的分割掩码，结果一致改善。
引用
@article{arxiv.1802.08290,
title = {Locally Adaptive Learning Loss for Semantic Image Segmentation},
author = {Jinjiang Guo and Pengyuan Ren and Aiguo Gu and Jian Xu and Weixin Wu},
journal= {arXiv preprint arXiv:1802.08290},
year = {2018}
}
备注
8 pages, 4 figures