RankED：使用基于排序的损失解决边缘检测中的不平衡与不确定性
计算机视觉与模式识别
2024-03-08 v2
摘要
图像中的边缘检测面临两个问题：(P1) 正负类之间的严重不平衡，以及 (P2) 由于不同标注者之间的分歧导致的标签不确定性。现有解决方案使用类平衡交叉熵损失和 Dice 损失来解决 P1，并通过仅预测大多数标注者达成一致的边缘来解决 P2。在本文中，我们提出了 RankED，一种统一的基于排序的方法，同时解决不平衡问题 (P1) 和不确定性问题 (P2)。RankED 通过两个组件解决这两个问题：一个组件将正像素排序在负像素之前，另一个组件促使高置信度边缘像素具有更高的标签确定性。我们表明 RankED 优于先前的研究，并在 NYUD-v2、BSDS500 和 Multi-cue 数据集上达到了新的 SOTA。代码可在 https://ranked-cvpr24.github.io 获取。
引用
@article{arxiv.2403.01795,
title = {RankED: Addressing Imbalance and Uncertainty in Edge Detection Using Ranking-based Losses},
author = {Bedrettin Cetinkaya and Sinan Kalkan and Emre Akbas},
journal= {arXiv preprint arXiv:2403.01795},
year = {2024}
}
备注
accepted to CVPR 2024