SEMEDA：利用语义边缘感知损失提升分割精度
计算机视觉与模式识别
2019-05-07 v1
摘要
尽管当今深度神经网络在语义分割任务上取得了令人印象深刻的性能，它们通常通过对像素级损失（如交叉熵）进行优化来训练。因此，此类网络输出的预测往往难以准确捕捉物体边界，并在物体内部出现孔洞。本文提出一种新方法来改善预测分割掩码的结构。我们引入一种新颖的语义边缘检测网络，用以匹配预测与真值分割掩码。该语义边缘感知策略（SEMEDA）可与任意骨干深度网络在端到端训练框架中结合。通过在Pascal VOC 2012与Cityscapes数据集上的充分实验验证，我们表明所提SEMEDA方法通过强化锐利边界并避免物体内部不连续，改善了预测分割掩码的结构，提升了分割性能。此外，我们的语义边缘感知损失可集成进任意流行分割网络，无需额外标注且计算负载可忽略，相较于标准像素级交叉熵损失。
引用
@article{arxiv.1905.01892,
title = {SEMEDA: Enhancing Segmentation Precision with Semantic Edge Aware Loss},
author = {Yifu Chen and Arnaud Dapogny and Matthieu Cord},
journal= {arXiv preprint arXiv:1905.01892},
year = {2019}
}