《一種改進的Focal Loss在語義分割上的套用》是楊威、張建林撰寫的一篇論文。
基本介紹
- 中文名：一種改進的Focal Loss在語義分割上的套用
- 作者：楊威、張建林
- 論文來源：半導體光電
- 發表時間：2019
- 分類號：TP391.41;TP181
論文摘要,引文格式,
論文摘要
傳統基於深度學習的語義分割方法使用的損失函式為交叉熵,而交叉熵並不能解決訓練數據中的樣本非均衡性問題。語義分割任務屬於像素級分類,樣本的非均衡性問題在其中體現得十分突出。文章提出了一種改進的Focal Loss作為損失函式來自動解決訓練樣本的非均衡性。該損失函式等同於在標準交叉熵上加上一個權重,該權重能夠自動增加困難樣本的交叉熵損失值,同時保持簡單樣本的交叉熵損失值。將Focal Loss作為DeepLabv3+的損失函式,並將DeepLabv3+的Backbone替換為ResNet-18,再使用Cityscapes數據集作為訓練樣本,分別使用交叉熵和Focal Loss作為損失函式來對模型進行訓練。實驗結果表明,改進的Focal Loss損失函式相比於交叉熵獲得的語義分割精度更高,且能夠有效緩解訓練樣本的非均衡性問題。
引文格式
楊威,張建林,徐智勇,趙春梅.一種改進的Focal Loss在語義分割上的套用[J].半導體光電,2019,40(04):555-559.
