Boundary loss for highly unbalanced segmentation¶
论文¶
https://arxiv.org/abs/1812.07032
代码¶
https://github.com/LIVIAETS/boundary-loss
摘要¶
Cite
CNN分割中广泛使用的损失函数，例如Dice或交叉熵，基于分割区域上的积分。不幸的是，对于高度不平衡的分段，此类区域总和的值在不同类别之间相差几个数量级， 这会影响训练性能和稳定性。我们提出了一种边界损失，它采用轮廓空间上的距离度量的形式，而不是区域。这可以减轻高度不平衡问题的困难，因为它使用区域间界面上的积分， 而不是区域间的不平衡积分。此外，边界损失补充了区域信息。受用于计算活动轮廓流的基于图的优化技术的启发，我们将轮廓空间上的非对称L2距离表示为区域积分， 这避免了涉及轮廓点的完全局部微分计算。这产生了用网络的区域软最大概率输出表示的边界损失，该边界损失可以容易地与标准区域损失相结合， 并且可以用任何现有的用于N-D分割的深度网络架构来实现。我们报告了对不同不平衡问题的综合评估和比较，表明我们的边界损失可以在提高训练稳定性的同时显著提高性能。 我们的代码是公开的
基于边界计算的Loss，讲道理应该可以提高边界的分割效果吧
总结¶
Cite
我们提出了一个边界损失项，可以很容易地与任何标准区域损失相结合，以解决高度不平衡场景中的分割任务。此外，所提出的术语可以用任何现有的深度网络架构和任何N-D分割问题来实现。 我们在两个具有挑战性且高度不平衡的数据集上的实验证明了在训练期间包含边界损失的好处。它持续改进了性能，并在一个数据集上大幅度提高了训练稳定性。