面向语义图像分割的损失最大池化
计算机视觉与模式识别
2017-04-11 v1 机器学习
摘要
我们引入一种新颖的损失最大池化概念，用于处理不平衡训练数据分布，可作为深度神经网络在语义图像分割中替代损失层使用。大多数真实世界语义分割数据集表现出长尾分布，少数对象类别构成数据主体，从而将分类器偏向它们。我们的方法基于观测到的损失自适应地重新加权每个像素的贡献，针对代表性不足的对象类别经常遇到的欠分类结果。我们的方法超越了传统的代价敏感学习尝试，通过自适应考量使我们间接解决类间和类内不平衡。我们提供了我们方法的理论依据，作为对基准数据集实验分析的补充。在 Cityscapes 和 Pascal VOC 2012 分割数据集上的实验里，我们一致发现结果有所改善，证明了我们方法的有效性。
引用
@article{arxiv.1704.02966,
title = {Loss Max-Pooling for Semantic Image Segmentation},
author = {Samuel Rota Bulò and Gerhard Neuhold and Peter Kontschieder},
journal= {arXiv preprint arXiv:1704.02966},
year = {2017}
}
备注
accepted at CVPR 2017