CVPRMay, 2017

Lovász-Softmax 损失函数：神经网络中交并比最优化时的可行替代

PDF
TL;DR该研究提出了一种基于凸形 Lovász 扩展损失的直接优化平均交并比损失的方法，并在语义图像分割的情况下应用于神经网络，证明了该方法在整个数据集上优化 Jaccard 指数时性能更好，基于该方法的语义分割管道在 PASCAL VOC 和 Cityscapes 数据集上取得了显着改善的交并比分割得分。
jaccard indeximage segmentationneural networksintersection-over-union losssemantic segmentation
发现论文，激发创造
  • Jaccard 度量损失：通过软标签优化 Jaccard 指数

    本文提出了一种称为 Jaccard metric losses（JMLs）的 IoU loss 变体，可与软标签兼容，在 Cityscapes、PASCAL VOC 和 DeepGlobe Land 三个语义分割数据集上相对于交叉熵损失有显着的改进，并且在知识蒸馏方面胜过了现有的最优方法。

    Feb, 2023

  • 医学图像分割的优化：在评估 Dice 分数或 Jaccard 指数时的理论和实践

    本文探讨了利用度量敏感损失函数训练卷积神经网络在分割任务中优于基于交叉熵损失函数的效果，特别是在关注分割性能度量指标如 Dice 分数和 Jaccard 指数时，採用度量敏感损失函数效果更好的结论。

    Oct, 2020

  • 直接优化 IoU 以进行边界框定位

    本文提出了一种新的损失函数 ——Smooth IoU，用于直接优化边界框的交并比，在多个数据集上显示出比标准的 Huber 损失更好的性能表现，该方法可应用于物体检测问题，使用卷积神经网络进行训练。

    Apr, 2023

  • 广义交并比：一个边框回归的度量和损失函数

    本研究主要关注物体检测领域中最受欢迎的衡量标准之一的交并比（IoU），提出了一种广义的 IoU（GIoU）作为新的回归损失和度量方式，并将其应用于现有的物体检测框架中，在 PASCAL VOC 和 MS COCO 等常见的物体检测基准测试中取得了一致的性能提升。

    Feb, 2019

  • 一种系统的 IoU 相关方法：超越简单回归以获得更好的定位

    提出一种基于 extended IoU 并采用 convexification 和 steady optimization 技术的新型损失函数方法，用于提高物体检测中的定位精度，并在 Faster R-CNN with ResNet50+FPN 中实现了显著的 mAP 提高，同时计算和推断的成本几乎没有增加。

    Dec, 2021

  • 基于 Softmax 概率聚合离散度测量的语义分割预测误差元分类检测

    该论文提出了一种基于离散度量的语义分割网络预测质量的评估方法，并在自动驾驶和医疗成像等领域进行了实验验证，结果表明该方法的预测具有更高的准确性和可靠性。

    Nov, 2018

  • 语义分割评估度量的再审视：精细交并比的优化与评估

    通过使用细粒度 mIoUs 和相应的最坏情况指标，提供对分割技术更全面的评估，减少对大对象的偏见。我们进行了广泛的基准研究，在 12 个多样的自然和航空分割数据集上用 15 个现代神经网络使用这些指标进行训练和评估，强调了不仅仅依靠一个指标进行评估的必要性，并验证了细粒度 mIoUs 减少对大对象的偏见。此外，我们发现架构设计和损失函数在优化细粒度指标中起到关键作用，从而形成了最佳实践。

    Oct, 2023

  • 重新思考小目标检测在少样本环境中的交并比

    在少样本目标检测领域中，使用 SIoU 作为评估标准可以构建更加用户导向的模型，在小物体检测方面表现优秀，并在 DOTA 和 DIOR 数据集上实现了新的少样本目标检测的最优结果。

    Jul, 2023

  • SIoU Loss: 边界框回归的更强大学习

    本文提出了一种新的损失函数 SIoU，通过重新定义惩罚指标以考虑所需回归之间的向量角度，从而改进了传统目标检测中遇到的匹配方向问题，提高了训练速度和推断精度。

    May, 2022

  • Jaccard 指数的进一步推广

    对 Jaccard 指数及其相关的一些扩展进行理论研究，包括一种新的巧合指数，该指数在比较两个实体集时可以考虑相对内含度的水平，适用于连续向量空间、多重集、密度和通用标量场的扩展，以及量化两个随机变量之间的联合相互依赖性的方法。

    Oct, 2021