論文の概要: A survey of loss functions for semantic segmentation

• arxiv url: http://arxiv.org/abs/2006.14822v4
• Date: Thu, 3 Sep 2020 01:14:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 21:39:25.207947
• Title: A survey of loss functions for semantic segmentation
• Title（参考訳）: 意味的セグメンテーションのための損失関数の探索
• Authors: Shruti Jadon
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image Segmentation has been an active field of research as it has a wide range of applications, ranging from automated disease detection to self-driving cars. In the past five years, various papers came up with different objective loss functions used in different cases such as biased data, sparse segmentation, etc. In this paper, we have summarized some of the well-known loss functions widely used for Image Segmentation and listed out the cases where their usage can help in fast and better convergence of a model. Furthermore, we have also introduced a new log-cosh dice loss function and compared its performance on the NBFS skull-segmentation open-source data-set with widely used loss functions. We also showcased that certain loss functions perform well across all data-sets and can be taken as a good baseline choice in unknown data distribution scenarios. Our code is available at Github: https://github.com/shruti-jadon/Semantic-Segmentation-Loss-Functions.
• Abstract（参考訳）: Image Segmentationは、自動疾患検出から自動運転車まで、幅広い用途があるため、活発な研究分野である。 過去5年間で、バイアスデータやスパースセグメンテーションなど、さまざまなケースで使用される客観的な損失関数について、さまざまな論文がまとめられた。 本稿では,画像分割に広く使われているよく知られた損失関数のいくつかを要約し,その利用がモデルの高速かつより良い収束に役立つ場合をリストアップした。 さらに,新しいlog-cosh dice損失関数を導入し,広く使用される損失関数を備えたnbfsスカルセグメンテーションオープンソースデータセットの性能比較を行った。 また、ある損失関数がすべてのデータセットでうまく機能し、未知のデータ分散シナリオにおいて良いベースライン選択とみなせることを示した。 私たちのコードはGithubで公開されている。

関連論文リスト

• Next Generation Loss Function for Image Classification [0.0]
  我々は、遺伝的プログラミング(GP)アプローチを利用して、クロスエントロピー(CE)損失を含むよく知られた損失関数に挑戦する。 NGL(Next Generation Loss)と呼ばれる1つの関数は、テストされたすべてのデータセットで、同じか、より優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-04-19T15:26:36Z)
• Robust T-Loss for Medical Image Segmentation [56.524774292536264]
  本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。 提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。 実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-01T14:49:40Z)
• A Comprehensive Survey of Regression Based Loss Functions for Time Series Forecasting [0.0]
  時系列予測によく用いられる14のよく知られた回帰損失関数を要約した。 私たちのコードはGitHubで入手できる。 https://github.com/aryan-jadon/Regression-Loss-Functions-in-Time-Series-Forecasting-Tensorflow。
  論文  参考訳（メタデータ） (2022-11-05T23:06:25Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• SemSegLoss: A python package of loss functions for semantic segmentation [0.0]
  SemSegLossは、画像セグメンテーションに広く使われているよく知られた損失関数のいくつかからなるピソンパッケージである。 研究者が新規な損失関数の開発を支援する目的で開発された。
  論文  参考訳（メタデータ） (2021-05-18T04:27:06Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• 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)
• Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation [17.532822703595766]
  そこで我々はCAS(class-agnostic segmentation)ロスと呼ばれる新しい損失関数を提案する。 CAS損失関数はスパースであり, 有界であり, クラス不均衡に対して頑健であることを示す。 低忠実度および高忠実度トレーニングデータの2つの設定における最先端手法に対する性能について検討する。
  論文  参考訳（メタデータ） (2020-10-28T07:11:15Z)
• 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)
• 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)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。