把握恰当平衡：面向语义分割的召回损失
计算机视觉与模式识别
2022-02-07 v2
摘要
类别不平衡是语义分割等计算机视觉应用中的基本问题。具体而言，训练集中不均匀的类别分布常导致对代表性不足类别的性能不尽如人意。许多工作提出基于类别统计（如样本数与类别边界）用预计算权重加权标准交叉熵损失函数。这些方法有两主要缺陷：1）持续上调少数类权重会在语义分割中引入过多假阳性；2）少数类未必是难类。其后果是因过多假阳性导致低精度。对此，我们通过重塑原始交叉熵损失提出一种难类挖掘损失，使其基于即时召回表现对每个类别的损失动态加权。我们表明该新颖召回损失在标准交叉熵损失与逆频率加权损失之间逐渐变化。召回损失还在提供具竞争力的平均交并比（IoU）性能的同时带来了平均准确率的提升。在 Synthia 数据集上，相较交叉熵损失，使用 DeepLab-ResNet18 的召回损失在具竞争力平均 IoU 下取得了平均准确率 的相对提升。代码见 https://github.com/PotatoTian/recall-semseg。
引用
@article{arxiv.2106.14917,
title = {Striking the Right Balance: Recall Loss for Semantic Segmentation},
author = {Junjiao Tian and Niluthpol Mithun and Zach Seymour and Han-Pang Chiu and Zsolt Kira},
journal= {arXiv preprint arXiv:2106.14917},
year = {2022}
}
备注
Paper accepted to ICRA2022