【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： Weak标签： 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<
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。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
