Apr, 2024

基于卷积的概率梯度损失用于语义分割

PDF
TL;DR本文介绍了一种新颖的基于卷积的概率梯度（CPG）损失方法，它使用类似 Sobel 算子的卷积核计算图像中像素强度的梯度，从而能够计算真值和预测的类别概率之间的梯度。这种方法通过最大化这两个概率梯度之间的相似性来提高网络性能。此外，为了专门增强物体边界附近的准确性，我们根据真值概率梯度提取物体边界，并仅将 CPG 损失应用于属于边界的像素。CPG 损失被证明非常方便和有效，通过卷积建立像素间的关系，并且与像素级损失函数（例如交叉熵损失）相比，从独特的维度计算错误。我们对三个常用的分割数据集（Cityscapes，COCO-Stuff，ADE20K）中三个已建立网络（DeepLabv3-Resnet50，HRNetV2-OCR，LRASPP_MobileNet_V3_Large）的 CPG 损失的影响进行了定性和定量分析，广泛的实验结果一致且明显地表明 CPG 损失提高了平均交并比。
convolution-based probability gradientsemantic segmentationnetwork performanceobject boundarycpg loss
发现论文，激发创造
  • 伪卷积策略梯度用于序列到序列的口语读唇

    探讨使用伪卷积策略梯度 (PCPG) 解决序列到序列问题中的 “teacher-forcing” 策略所存在的暴露偏差问题和交叉熵损失与最终评估指标之间不一致的问题。提出了使用伪卷积策略梯度 (PCPG) 的新方法来解决这些问题，该方法能够更好地优化模型，减少时间步骤之间的紊乱，并在字级别和句子级别基准测试中获得更好的结果。

    Mar, 2020

  • 通过梯度加权类别激活映射实现可解释的语义分割

    本文提出了一种名为 SEG-GRAD-CAM 的基于梯度的方法，扩展了广泛使用的 Grad-CAM 方法，用于解释语义分割中每个像素的相关性。

    Feb, 2020

  • 面向语义分割的类别动态图卷积

    该论文提出基于类别的动态图卷积网络 CDGCNet，采用类别动态图卷积（CDGC）模块自适应地传递信息，获得了在 Cityscapes，PASCAL VOC 2012 和 COCO Stuff 等三个流行的语义分割基准上的 state-of-the-art 表现。

    Jul, 2020

  • 具有判别性损失函数的语义实例分割

    本文提出利用判别式损失函数的像素级卷积神经网络来实现简单的图像实例分割，不需要借助物体提议或循环机制，仅仅通过一个后处理步骤即可完成聚类，简单有效且具有竞争性。

    Aug, 2017

  • 通过像素级梯度剪裁提升高分辨率三维生成

    通过像素级梯度剪裁（PGC）方法，提高现有高分辨率三维生成模型的性能，以改进高分辨率三维物体渲染的综合质量。

    Oct, 2023

  • 语义分割的距离图损失惩罚项

    本文提出了一种新的距离图生成损失项来辅助卷积神经网络在医学图像分割中选择难以分割区域，经实验证明此项可以显著提高分割质量、更好地保存骨骼边界形状特征，有望用于提取形态学生物标志物，并得出定量评估指标。

    Aug, 2019

  • 基于图卷积网络的弱监督图像语义分割

    本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

    Mar, 2021

  • 基于 CNN 的语义分割，使用水平集损失

    研究使用 CNN 进行语义分割时由于输出分辨率较低而损失空间细节的问题，采用基于 level set 理论的新型 loss function：level set loss，将 level set 函数转化为类别概率图，通过加权求和与 cross-entropy loss 进行联合优化，提高了分割结果的空间细节。对比先前的方法取得更好的性能。

    Oct, 2019

  • 探索跨图像像素对比用于语义分割

    提出了一个利用对比学习实现像素级别度量学习的语义分割框架，能够从全局上探索标记像素的结构，并在多个数据集上带来了显著的性能改进。

    Jan, 2021

  • 像素对比一致性半监督语义分割

    提出一种新型半监督语义分割方法，结合像素级 L2 损失和像素对比损失以实现两个分割模型规则：图像增强之间的标签空间一致性性质和不同像素之间的特征空间对比性质，采用 DeepLab-v3+ 结构和多个数据集进行了广泛的实验，表现出最先进的性能。

    Aug, 2021