面向无阈值显著目标检测的 F-measure 优化
计算机视觉与模式识别
2019-09-04 v2
摘要
当前基于 CNN 的显著目标检测（SOD）解决方案主要依赖于交叉熵损失（CELoss）的优化。随后，检测到的显著性图的质量通常根据 F-measure 进行评估。在本文中，我们研究了一个有趣的问题：我们能否在 SOD 的训练和评估中一致地使用 F-measure 公式？通过重新表述标准 F-measure，我们提出了松弛 F-measure，它对后验概率可微，并且可以容易地作为损失函数附加到 CNN 后端。与梯度在饱和区急剧下降的传统交叉熵损失相比，我们命名为 FLoss 的损失函数在激活接近目标时仍保持可观的梯度。因此，FLoss 能够持续迫使网络产生极化激活。在多个流行数据集上的综合基准测试表明，FLoss 以显著优势优于最先进技术。更具体地说，由于极化预测，我们的方法能够在无需仔细调整最优阈值的情况下获得高质量显著性图，在现实世界应用中展现出显著优势。
引用
@article{arxiv.1805.07567,
title = {Optimizing the F-measure for Threshold-free Salient Object Detection},
author = {Kai Zhao and Shanghua Gao and Wenguan Wang and Ming-Ming Cheng},
journal= {arXiv preprint arXiv:1805.07567},
year = {2019}
}
备注
http://kaizhao.net/fmeasure