可导向金字塔加权损失：用于语义分割的多尺度自适应加权

语义分割是计算机视觉中的一项核心任务，广泛应用于生物医学成像、遥感和自动驾驶等领域。虽然交叉熵和 Dice 损失等标准损失函数在一般情况下表现良好，但它们在处理精细结构时往往存在困难，特别是在涉及细长结构或密集排列物体的任务中。为了解决这一问题，人们提出了各种基于权重图的损失函数，通过为容易误分类的像素分配更高的损失权重来实现。然而，这些方法通常依赖于基于距离变换预计算或运行时生成的权重图，这带来了显著的计算成本，且无法适应不断演变的网络预测。在本文中，我们提出了一种新颖的基于可导向金字塔的加权（SPW）损失函数，能够高效生成自适应权重图。与依赖静态或迭代更新距离图的传统边界感知损失不同，我们的方法利用可导向金字塔在多个频带上动态强调区域（捕获不同尺度的特征），同时保持计算效率。此外，通过将网络预测纳入权重计算，我们的方法能够在训练期间实现自适应细化。我们在 SNEMI3D、GlaS 和 DRIVE 数据集上评估了我们的方法，并将其与 11 种 SOTA 损失函数进行了基准比较。结果表明，所提出的 SPW 损失函数以极小的计算开销实现了卓越的像素精度和分割准确率。这项工作为改善语义分割提供了一种有效且高效的解决方案，特别是对于需要多尺度特征表示的应用。代码可在 https://anonymous.4open.science/r/SPW-0884 获取。