Cloud-Net+ 论文翻译简析

最新推荐文章于 2024-09-04 07:36:31 发布

原创

最新推荐文章于 2024-09-04 07:36:31 发布 · 520 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习

本文分析了云分割网络中Filtered Jaccard Loss的使用，指出传统Soft Jaccard Loss在GT无类1时的不足，并提出FJaccard Loss作为补偿，确保在无类1时仍能正确评估预测结果。通过引入滤波器和补偿函数，FJaccard Loss能更好地适应0-1分类问题，提高网络训练效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用了Filtered Jaccard Loss的云分割网络

loss function分析

图分割网络广泛应用的SSoft Jaccard/Dice loss funtion在0 1分类问题中的公式如下：
在这里插入图片描述
其中 $t$ 代表了GT而 $y$ 代表了网络的输出。N表示t中的像素的总数， $yi∈[0,1]y_i \in [0,1]$ 并且 $0,1}t_i \in\{0,1\}$ 代表第 i 个像素的 y 和 t ，设置 $ϵ=10−7\epsilon = 10^{-7}$ 防止除0，然而这个损失函数会因为ground truth中没有真值1 而被过度惩罚。
让我们考虑一个 2x2 的全 0 矩阵，以及2个可能的预测 $y_1 = [0.01,0.01,0.01,0.01]$ 和 $y_2 = [0.99,0.99,0.99,0.99]$