Feb, 2023

Jaccard 度量损失：通过软标签优化 Jaccard 指数

PDF
TL;DR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。
发现论文，激发创造
  • Lovász-Softmax 损失函数：神经网络中交并比最优化时的可行替代

    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。

    May, 2017

  • 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

  • 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

  • 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

  • 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

  • 单阶段目标检测的 IoU 平衡损失函数

    研究单阶段物体检测器的损失函数对定位准确性的影响，并提出有关 IoU 平衡的损失函数以解决该问题，在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验，证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。

    Aug, 2019

  • Distance-IoU Loss: 用于边界框回归的更快、更好的学习方法

    提出了一种针对目标检测中的边界框回归问题的新算法 DIoU Loss，通过加入距离项和三个几何因素（覆盖区域、中心点距离和长宽比），构建了更好的评价指标 CIoU Loss，并将 DIoU Loss 和 CIoU Loss 应用到现有的目标检测算法中，显著提高了性能。

    Nov, 2019

  • Dice Semimetric Losses: 用软标签优化 Dice Score

    本文介绍了 Dice 半度量损失（DMLs），该方法与标准设置下的软 Dice Loss（SDL）相同，在软标签设置下更优。实验结果表明，使用 DMLs 与软标签相结合可获得更好的分割结果以及模型校准，有助于其在实践中的广泛应用。

    Mar, 2023

  • 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