當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

pytorch 语义分割loss_Recall Loss：用于不平衡图像分类和语义分割的召回损失

發布時間：2025/3/19 编程问答 51 豆豆

生活随笔收集整理的這篇文章主要介紹了 pytorch 语义分割loss_Recall Loss：用于不平衡图像分类和语义分割的召回损失小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

本文針對不平衡圖像分類和語義分割問題，提出了一種基于度量召回的新損失函數：Recall Loss，很好地平衡了精度和準確性，可顯著提高不平衡圖像分類和不平衡語義分割任務的性能。

Recall Loss for Imbalanced Image Classification and Semantic Segmentation

論文（ICLR 2021投稿）：Recall Loss for Imbalanced Image Classification and Semantic...

注：如果上述論文鏈接無法訪問，可以看文末，論文已上傳至百度云，方便下載。

類別不平衡是諸如語義分割和圖像分類之類的計算機視覺應用中的基本問題。具體而言，訓練數據集中的類別分布不均勻通常會導致在代表性不足的類別上的表現不令人滿意。許多工作提出了基于類別統計信息（例如樣本數量和類別裕度）使用預先計算的權重來衡量標準交叉熵損失函數。這些方法有兩個主要缺點：

1）不斷增加權重的少數類會引入過多的誤報，尤其是在語義分割中；

2）最近的許多工作發現，預先計算的權重會對表示學習產生對抗性影響。

在這方面，我們通過重塑原交叉熵損失來提出一種hard-class mining損失，從而根據召回性能的變化動態加權每個分類的損失。我們用數學方法表明，新穎的召回損失在標準交叉熵損失和眾所周知的inverse frequency交叉熵損失之間逐漸變化，并平衡了精度和準確性。

從Inverse Frequency Loss到 Recall Loss：

從Focal Loss到 Recall Loss：

我們首先證明，所提出的損失有效地平衡了語義分割數據集的precision and accuracy ，并且與語義分割中使用的其他現有損失函數相比，尤其是在淺層網絡上，帶來了顯著的性能改進。

在圖像分類上，我們設計了一種簡單的兩頭訓練策略，以表明新穎的損失函數可以改善不平衡數據集上的表示學習。在Place365-LT和iNaturalist上，我們的性能優于以前最佳的方法。

鏈接：https://pan.baidu.com/s/1BjsdBlEP5d3aKVuvGLzqXQ
提取碼：cver

強烈推薦大家關注CVer知乎賬號和CVer微信公眾號，可以快速了解到最新優質的CV論文。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。