Fugu-MT 論文翻訳(概要): Segmentation Loss Odyssey

論文の概要: Segmentation Loss Odyssey

arxiv url: http://arxiv.org/abs/2005.13449v1
Date: Wed, 27 May 2020 16:00:55 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 08:48:24.114843
Title: Segmentation Loss Odyssey
Title（参考訳）: セグメンテーション損失オデッセイ
Authors: Jun Ma
Abstract要約: 既存の損失関数を4つの意味のあるカテゴリに分類する体系的な分類法を提案する。また,従来の領域ベースと近年の境界ベース損失関数との関係についても検討する。
参考スコア（独自算出の注目度）: 10.051935123214355
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Loss functions are one of the crucial ingredients in deep learning-based medical image segmentation methods. Many loss functions have been proposed in existing literature, but are studied separately or only investigated with few other losses. In this paper, we present a systematic taxonomy to sort existing loss functions into four meaningful categories. This helps to reveal links and fundamental similarities between them. Moreover, we explore the relationship between the traditional region-based and the more recent boundary-based loss functions. The PyTorch implementations of these loss functions are publicly available at \url{https://github.com/JunMa11/SegLoss}.
Abstract（参考訳）: 損失関数は、深層学習に基づく医用画像分割法において重要な要素の1つである。既存の文献では多くの損失関数が提案されているが、別々に研究されている。本稿では,既存の損失関数を4つの意味カテゴリーに分類する系統分類法を提案する。これはそれらの間のリンクや基本的な類似性を明らかにするのに役立つ。さらに,従来の領域ベースと近年の境界ベース損失関数の関係について検討する。これらの損失関数のPyTorch実装は、 \url{https://github.com/JunMa11/SegLoss} で公開されている。

関連論文リスト

A survey and taxonomy of loss functions in machine learning [51.35995529962554]
本稿では, 回帰, 分類, 生成モデル, ランキング, エネルギーベースモデリングなど, 主要なアプリケーションにまたがる最も広く使われている損失関数について概観する。直感的な分類法で構築された43個の個別の損失関数を導入し,それらの理論的基礎,特性,最適な適用状況を明らかにした。
論文参考訳（メタデータ） (2023-01-13T14:38:24Z)
Rank-based Decomposable Losses in Machine Learning: A Survey [47.547653738853406]
この調査は、機械学習におけるランクベースの分解可能な損失の体系的で包括的なレビューを提供する。我々は、集合的損失と個人的損失の観点に従う、損失関数の新しい分類法を提供する。ランクに基づく集合的損失とランクに基づく個人的損失の一般公式について述べる。
論文参考訳（メタデータ） (2022-07-18T17:21:01Z)
On Codomain Separability and Label Inference from (Noisy) Loss Functions [11.780563744330038]
本稿では,任意の(ノイズの多い)損失関数値からラベル推論が可能となる必要かつ十分な条件を検討するために,コドメイン分離性の概念を導入する。一般的なアクティベーション機能を持つマルチクラスクロスエントロピーや,ブレグマンの発散に基づく損失を含む,多くの一般的な損失関数に対して,任意の雑音レベルに対するラベル推論攻撃を設計可能であることを示す。
論文参考訳（メタデータ） (2021-07-07T05:29:53Z)
Loss Function Discovery for Object Detection via Convergence-Simulation Driven Search [101.73248560009124]
本稿では,効率的な収束シミュレーションによる進化的探索アルゴリズムCSE-Autolossを提案する。一般的な検出器上での損失関数探索の広範囲な評価を行い、探索された損失の優れた一般化能力を検証した。実験の結果, 2段検出器と1段検出器のmAPでは, 最適損失関数の組み合わせが1.1%と0.8%を上回っていることがわかった。
論文参考訳（メタデータ） (2021-02-09T08:34:52Z)
Auto Seg-Loss: Searching Metric Surrogates for Semantic Segmentation [56.343646789922545]
そこで本研究では,各計量に対する相異なるサロゲート損失を探索することにより,計量固有損失関数の設計を自動化することを提案する。 PASCAL VOCとCityscapesの実験では、探索されたサロゲート損失は手動で設計した損失関数よりも優れていた。
論文参考訳（メタデータ） (2020-10-15T17:59:08Z)
A survey of loss functions for semantic segmentation [0.0]
本稿では,画像に広く用いられているよく知られた損失関数のいくつかを要約する。我々はまた、新しいログコッシュダイス損失関数を導入し、NBFS-segmentationオープンソースデータセットの性能を比較した。
論文参考訳（メタデータ） (2020-06-26T06:49:18Z)
All your loss are belong to Bayes [28.393499629583786]
ロス関数は機械学習の基盤であり、ほとんどのアルゴリズムの出発点である。正方形ガウス過程を用いて経路が整合なソース関数を持つランダムな過程を求める。実験の結果は、最先端技術よりも大幅に改善された。
論文参考訳（メタデータ） (2020-06-08T14:31:21Z)
A Comparison of Metric Learning Loss Functions for End-To-End Speaker Verification [4.617249742207066]
本稿では,VoxCelebデータセット上で,いくつかのメトリクス学習損失関数を体系的に比較する。加法的な角縁損失関数は,他のすべての損失関数より優れていることを示す。本稿では,SincNet のトレーニング可能な機能と x-vector アーキテクチャを組み合わせることで,エンドツーエンドの話者検証システムに一歩近づいた。
論文参考訳（メタデータ） (2020-03-31T08:36:07Z)
Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
論文参考訳（メタデータ） (2020-03-11T09:14:53Z)
Supervised Learning: No Loss No Cry [51.07683542418145]
教師付き学習は最小化するために損失関数の仕様を必要とする。本稿では,Kakade et al. (2011)のSLIsotronアルゴリズムを新しいレンズで再検討する。損失を学習するための原則的な手順をいかに提供するかを示す。
論文参考訳（メタデータ） (2020-02-10T05:30:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。