【计算机视觉】关于`partial cross entropy loss`用于弱监督语义分割中的说明

最新推荐文章于 2024-05-13 08:00:08 发布
最新推荐文章于 2024-05-13 08:00:08 发布
阅读量1.1k 收藏 2
点赞数
分类专栏： 机器学习杂烩 图像处理杂烩 计算机视觉 文章标签： 机器学习 深度学习 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LG1259156776/article/details/105468513
版权
本文介绍了弱监督语义分割中使用partial cross entropy loss的问题及改进方法。在弱监督标签下，仅部分前景被标注，导致模型倾向于将更多像素预测为背景。为解决此问题，提出一种新的训练策略，当图像有前景标注时计算partial cross entropy loss，无标注时则施加背景约束，以提供背景监督，防止前景过度扩散。文章还讨论了该方法的适用条件和其他弱监督语义分割技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【计算机视觉】关于partial cross entropy loss用于弱监督语义分割中的说明

弱监督标签

以两类别语义分割为例，背景和前景，给定的弱监督标签是只对前景个一小部分进行了标注。这个只是直接拿这个弱监督标签进行训练，会有一定的问题，因为大部分的前景标签都没有标注出来，所以前景类别会受到较大的抑制。

GT标签：在这里插入图片描述

Weak标签：在这里插入图片描述

采用 partial cross entropy loss

意思是只在有标注的像素上计算cross entropy loss。前景目标为1，那么对应的 loss=-∑t_i*log(p_i), i 为像素索引, t_i<

了解本专栏 订阅专栏 解锁全文
基于Partial Cross Entropy的弱监督语义分割实战指南
Loving_enjoy的博客
05-08 94
在计算机视觉领域，语义分割任务面临最大的挑战之一是**标注成本**。我们的解决方案是设计能够处理**稀疏标注**的损失函数。mask = load_mask(self.mask_paths[idx]) # 标注区域掩码。**思考题**：如何将本方法扩展到视频语义分割场景？1. **标注区域强化阶段**：前5个epoch使用纯partial CE loss。损失函数仅在M=1的位置计算交叉熵，同时通过**置信度加权**处理缺失区域。4. **部分像素标注（Partial labels）** → 本文重点。
AI人工智能与计算机视觉：打造智能视觉系统
最新发布
AI天才研究院
04-07 1030
本文旨在为读者提供关于AI人工智能与计算机视觉技术的全面理解，特别是如何将这些技术应用于构建智能视觉系统。我们将涵盖从基础理论到实际应用的完整知识体系，包括核心算法原理、数学模型、代码实现以及行业应用案例。本文采用由浅入深的结构，首先介绍基本概念和背景知识，然后深入探讨核心技术原理和算法实现，接着通过实际案例展示应用方法，最后讨论未来发展趋势和挑战。计算机视觉(Computer Vision)：使计算机能够从图像或视频中获取信息、理解内容并做出决策的技术领域。深度学习(Deep Learning)
何恺明等在图像识别任务上取得重大进展，这次用的是弱监督学习
CSDN 人工智能
05-03 2567
翻译 | Serene编辑 | 阿司匹林出品 | 人工智能头条（公众号ID：AI_Thinker）2017 年 7 月，最后一届 ImageNet 挑战赛落幕。为何对计算...
(NeurIPS 2019) Gated CRF Loss -一种用于弱监督图像语义分割的新型损失函数
kevin_zhao_zl的博客
10-10 2317
该论文提出了一种简单却有效的损失函数用于弱监督图像语义分割模型的训练，使用标准交叉熵损失用于有标注像素点，使用新型的门控CRF损失用于无标注像素点。整个方法不需要额外的预处理或后处理，能够端到端的训练。方法在基于点击和基于描画的弱监督标注数据中都取得了SOTA效果
【Loss总结】适用与弱监督语义分割中的各类loss
川川自溢的博客
03-08 1541
【Loss总结】适用与弱监督语义分割中的各类loss
半监督语义分割学习笔记
jacke121的专栏
05-13 368
弱监督语义分割学习笔记
弱监督学习
u013102349的博客
09-01 1万+
弱监督学习是指数据集的标签是不可靠的，如（x,y）,y对于x的标记是不可靠的。这里的不可靠是指标记不正确、多种标记、标记不充分、局部标记等。针对监督信息不完整或不明确对象的学习问题统称为弱监督学习。 监督学习技术通过学习大量训练样本来构建预测模型，其中每个训练样本都有一个标签标明其真值输出。尽管当前的技术已经取得了巨大的成功，但是值得注意的是，由于数据标注过程的高成本，很多任务很难获得如全部真值...
NeurIPS 2019 | 用于弱监督图像语义分割的新型损失函数
Paper weekly
10-08 2039
作者丨赵磊学校丨北京林业大学硕士生研究方向丨语义分割本文已经被 NeurIPS 2019 (2019 Conference and Workshop on Neural ...
softmax，CrossEntropyLoss 与梯度计算公式
jiongjiongai的博客
03-07 2806
函数 softmax⁡\operatorname {softmax}softmax 的 定义 对于任意一个 nnn 维向量 X=(⋮xi⋮)X = \begin {pmatrix} \vdots \\ {x}_{i} \\ \vdots \end {pmatrix}X=⎝⎜⎜⎛​⋮xi​⋮​⎠⎟⎟⎞​ ，定义 softmax⁡(X)=(⋮exi∑jexj⋮)\operatorname {softm...
深度学习损失函数：交叉熵cross entropy与focal loss
一江明澈的水的专栏
02-13 1万+
前面 本文主要做两件事情： 1.交叉熵原理 2.引出focal loss原理 其中，交叉熵这里：https://blog.csdn.net/tsyccnh/article/details/79163834 这篇博文写的很详细，很明白，但博士没有总结，我在这里按自己理解重新总结了下，看不太明白的读者建议直接看原文会明白很多。focal的几篇参考： 论文链接：https://arxiv.o...
CrossEntropy用于语义分割
01-07
https://www.jianshu.com/p/a6131515ee1d 补充： loss = nn.CrossEntropyLoss() 注意： input参数为未激活的张量，函数中会为该张量执行softmax->-log。所以使用该loss时，可以不用预先激活。 其中两个参数比较重要，reduce和size_average，默认都为True。reduce=True，此时输出的loss为单个数值，这个前提下，当size_average=True，输出的loss为所有像素的损失的均值，反之为所有像素loss之和。reduce=False，此时输出形式为[b,h,w]，其中包含
机器学习--- 交叉熵损失(CrossEntropy Loss)--(附代码)
在人工智能的道路上爬行
05-08 2万+
文章目录
Weakly-Supervised Salient Object Detection via Scribble Annotations
qq_49230659的博客
08-13 1993
Weakly-Supervised Salient Object Detection via Scribble Annotations摘要1. Introduction2. Related Work2.1. Learning Saliency from Weak Annotations2.2. Weakly-Supervised Semantic Segmentation2.3. Recovering Structure from Weak Labels2.4. Comparison with Existi
VALSE2018弱监督语义分割学习和总结2
IGIli的博客
05-11 5339
STC: A Simple to Complex Framework for Weakly-supervised Semantic Segmentation魏云超（TPAMI 15）通过显著性物体检测的结果，自动地生成语义分割的标签。通过low-level vision得到的约束能够帮助我们在弱监督的语义分割的学习中，减少对人工标注的依赖。具体将这项工作所做的贡献总结如下：（1）提出了一个简单到复...
【深度学习】Cross Entropy Loss
麒麒哈尔的博客
04-14 6214
文章目录起因Cross Entropy Loss的由来Tensorflow中的CEPytorch中的CEPytorch中CE和BCE的区别Pytorch对真正CE的支持 Cross Entropy Loss (CE)被经常用在分类问题中，但之前也没仔细了解过其中一些细节。本博客主要针对Pytorch中对CE的支持，但也结合了对TensorFlow中的CE的支持。 其中本博客参考总结了大量其他博客的...
语义分割损失总结
赶考书生
02-27 2838
年份 标题 是否采用辅助分类损失lossauxiliary 主损失lossmain 总loss 备注 CVPR 2015 Fully Convolutional Networks for Semantic Segmentatio...
神经网络笔记 - 交叉熵(Cross-Entropy)
闲敲棋子落灯花
05-29 3882
如上文所述, 如果我们使用均方误差来考量学习误差 C=12n∑x||y(x)−aL(x)||2 C = \frac{1}{2n}\sum_x||y(x)-a^L(x)||^2 则有 ∂C∂w=(a−y)σ′(z) \frac{\partial C}{\partial w}=(a-y)\sigma^{'}(z) ∂C∂b=(a−y)σ′(z) \frac{\partial C}{\part
交叉熵损失(Cross Entropy)求导
zhangxu
10-03 1万+
Cross Entropy是分类问题中非常常见的一种损失函数，我们在之前的文章提到过二值交叉熵的证明和交叉熵的作用，下面解释一下交叉熵损失的求导。
交叉熵损失（Cross Entropy Loss）计算过程
热门推荐
藏知阁
02-04 7万+
在机器学习中（特别是分类模型），模型训练时，通常都是使用交叉熵（Cross-Entropy）作为损失进行最小化： CE(p,q)=−∑i=1Cpilog(qi)CE(p,q)=−∑i=1Cpilog(qi) 其中CC代表类别数。pipi为真实，qiqi为预测。 我们以MNIST多分类为例，通常Label会编码为One-Hot，最后一层输出会使用Softmax函数进行概率化输出，如下表所示： ...
机器学习求crossentropyloss对\theta的偏导，是怎么求的，用latex怎么描述呢
06-12
交叉熵损失函数（cross entropy loss）对模型参数 $\theta$ 的偏导数可以通过链式法则求出。具体来说，对于一个二分类问题，交叉熵损失函数定义为： $$ L(\theta) = -\frac{1}{N}\sum_{i=1}^{N} [y_i \log h_\theta...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Zhang_P_Y

感谢支持

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值