三篇论文解决「语义分割的优化和评估」难题！鲁汶/清华/牛津等联合提出全新方法

AIGC动态欢迎阅读

原标题：三篇论文解决「语义分割的优化和评估」难题！鲁汶/清华/牛津等联合提出全新方法
关键字：损失,函数,标签,类别,模型
文章来源：新智元
内容字数：15158字

内容摘要：

新智元报道编辑：LRS
【新智元导读】现有的语义分割技术在评估指标、损失函数等设计上都存在缺陷，研究人员针对相关缺陷设计了全新的损失函数、评估指标和基准，在多个应用场景下展现了更高的准确性和校准性。优化语义分割模型常用的损失有Soft Jaccard损失，Soft Dice损失和Soft Tversky损失，但它们都和软标签不兼容，所以无法支持一些重要的训练技术（例如标签平滑，知识蒸馏，半监督学习，多标注员等）。
另一方面，语义分割常用的评价指标有mAcc和mIoU，但是因为它们都会偏向数据集中尺寸较大的物体，所以会严重的影响它们对模型安全性能的评估。
为了解决这些问题，鲁汶大学和清华的研究人员首先提出了JDT损失。JDT损失是原有损失函数的变体，包括了Jaccard Metric损失，Dice Semimetric损失和Compatible Tversky损失。JDT损失在硬标签下与原有的损失函数等价，但能完全兼容软标签。
研究人员将JDT损失应用于软标签的四个重要场景：标签平滑、知识蒸馏、半监督学习和多标注员，展示了它们提高模型准确性和校准性的能力。论文链接：https://ar

原文链接：三篇论文解决「语义分割的优化和评估」难题！鲁汶/清华/牛津等联合提出全新方法