论文笔记| A Network Structure to Explicitly Reduce Confusion Errors in Semantic Segmentation

Abstract

文章认为部分类别之间由于视觉特征相似、网络feature map分辨率过小或者由于数据不均衡等原因，会使模型对这些类别感到confused。为了区分这些confusing classes，文章从网络结构设计（Discriminative Confusing Groups）和loss（Improved Cross-Entropy Loss）设计两方面做出了改进。

Discriminative Confusing Groups

其实这里可以看成是共享encoder的模型融合，将容易混淆的类别单独做loss之后进行Fusion，例如下图是cityscape的分组

分类的依据是不同类别之间的混淆矩阵：

Improved Cross-Entropy Loss

将cross entropy loss进行了类似于reweight的改进
改进前：

改进后:

实验

使用不同loss及网络结构的实验结果（cityscape）

结果还是挺不错的
这里在推荐几个关于softmax 不错的文章：

https://mp.weixin.qq.com/s?__biz=MzA3Mjk0OTgyMg==&mid=2651123524&idx=1&sn=0546ceca3d88e2ff1e66fbecc99bd6a7

https://zhuanlan.zhihu.com/p/45014864