BriefGPT.xyz
Apr, 2017
语义图像分割中的损失最大池化
Loss Max-Pooling for Semantic Image Segmentation
HTML
PDF
Samuel Rota Bulò, Gerhard Neuhold, Peter Kontschieder
TL;DR
介绍了一种新的损失最大池化方法,用于处理数据不平衡的情况,可作为深度神经网络中的替代损失层用于语义图像分割中,通过自适应重新加权像素的贡献来解决分类器对于少数类别偏向性的问题,理论和实验结果都表明该方法可以有效提高图像分割效果。
Abstract
We introduce a novel
loss max-pooling
concept for handling
imbalanced training data
distributions, applicable as alternative loss layer in the context of deep neural networks for
→