論文の概要: Steerable Pyramid Weighted Loss: Multi-Scale Adaptive Weighting for Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2503.06604v1
• Date: Sun, 09 Mar 2025 13:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:48:45.491052
• Title: Steerable Pyramid Weighted Loss: Multi-Scale Adaptive Weighting for Semantic Segmentation
• Title（参考訳）: 安定なピラミッド重み付き損失:セマンティックセグメンテーションのためのマルチスケール適応重み付け
• Authors: Renhao Lu,
• Abstract要約: 適応重み写像を効率的に生成する新しい操舵式ピラミッド型重み付き(SPW)損失関数を提案する。 提案したSPW損失関数は,計算オーバーヘッドを最小限に抑えつつ,より優れた画素精度とセグメンテーション精度が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.4662017507844857
• License:
• Abstract: Semantic segmentation is a core task in computer vision with applications in biomedical imaging, remote sensing, and autonomous driving. While standard loss functions such as cross-entropy and Dice loss perform well in general cases, they often struggle with fine structures, particularly in tasks involving thin structures or closely packed objects. Various weight map-based loss functions have been proposed to address this issue by assigning higher loss weights to pixels prone to misclassification. However, these methods typically rely on precomputed or runtime-generated weight maps based on distance transforms, which impose significant computational costs and fail to adapt to evolving network predictions. In this paper, we propose a novel steerable pyramid-based weighted (SPW) loss function that efficiently generates adaptive weight maps. Unlike traditional boundary-aware losses that depend on static or iteratively updated distance maps, our method leverages steerable pyramids to dynamically emphasize regions across multiple frequency bands (capturing features at different scales) while maintaining computational efficiency. Additionally, by incorporating network predictions into the weight computation, our approach enables adaptive refinement during training. We evaluate our method on the SNEMI3D, GlaS, and DRIVE datasets, benchmarking it against 11 state-of-the-art loss functions. Our results demonstrate that the proposed SPW loss function achieves superior pixel precision and segmentation accuracy with minimal computational overhead. This work provides an effective and efficient solution for improving semantic segmentation, particularly for applications requiring multiscale feature representation. The code is avaiable at https://anonymous.4open.science/r/SPW-0884
• Abstract（参考訳）: セマンティックセグメンテーション(Semantic segmentation)は、バイオメディカルイメージング、リモートセンシング、自律運転におけるコンピュータビジョンのコアタスクである。 クロスエントロピーやディース損失のような標準的な損失関数は一般的にはうまく機能するが、細い構造や密に充填された物体を含むタスクにおいて、細かな構造に苦しむことが多い。 様々な重みマップに基づく損失関数は、この問題に対処するために、画素に高い損失重みを割り当て、誤分類をしがちである。 しかし、これらの手法は一般的に距離変換に基づく事前計算や実行時生成の重み写像に依存しており、計算コストが大きくなり、進化するネットワーク予測に適応できない。 本稿では,適応重み写像を効率的に生成する新しい操舵式ピラミッド型重み付き(SPW)損失関数を提案する。 静的あるいは反復的に更新された距離マップに依存する従来の境界認識損失とは違って,本手法はステアブルピラミッドを利用して複数の周波数帯域(異なるスケールで特徴をキャプチャする)にわたる領域を動的に強調し,計算効率を向上する。 さらに、重み計算にネットワーク予測を組み込むことで、トレーニング中に適応的な洗練を可能にする。 SNEMI3D, GlaS, DRIVEデータセットを用いて,11の最先端損失関数に対して評価を行った。 提案したSPW損失関数は,計算オーバーヘッドを最小限に抑えつつ,より優れた画素精度とセグメンテーション精度が得られることを示す。 この作業は、セマンティックセグメンテーションの改善、特にマルチスケールな特徴表現を必要とするアプリケーションに対して、効果的で効率的なソリューションを提供する。 The code is avaiable at https://anonymous.4open.science/r/SPW-0884

関連論文リスト

• Complex Wavelet Mutual Information Loss: A Multi-Scale Loss Function for Semantic Segmentation [0.4662017507844857]
  複雑なステアブルピラミッドによって分解されたサブバンド画像からの相互情報を利用する新しい損失関数を提案する。 CWMIの損失は、最先端の手法と比較してピクセル単位の精度とトポロジカルな指標の両方で大幅に改善される。
  論文  参考訳（メタデータ） (2025-02-01T21:19:48Z)
• Network scaling and scale-driven loss balancing for intelligent poroelastography [2.665036498336221]
  フルウェーブフォームデータからポリ弾性媒体のマルチスケールキャラクタリゼーションのためのディープラーニングフレームワークを開発した。 2つの大きな課題は、この目的のために既存の最先端技術を直接適用することを妨げる。 本稿では, ニューラルネットワークをスケーリング層に構成した単位形状関数を用いて, ニューラルプロパティマップを構築する, エンフェネティックスケーリングの考え方を提案する。
  論文  参考訳（メタデータ） (2024-10-27T23:06:29Z)
• WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
  深部画像登録は異常な精度と高速な推測を示した。 近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。 本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
  論文  参考訳（メタデータ） (2024-07-18T11:51:01Z)
• FourierLoss: Shape-Aware Loss Function with Fourier Descriptors [1.5659201748872393]
  この研究は、FourierLossという新しい形状認識損失関数を導入しました。 これは、地上の真実と予測されたセグメンテーションマップの間の形状の相違に依拠し、それらのオブジェクト上で計算されたフーリエ記述子を通し、ネットワークトレーニングにおけるこの相違を罰する。 提案した形状認識損失関数が肝セグメンテーションに有意な有意な有意な成績を示した。
  論文  参考訳（メタデータ） (2023-09-21T14:23:10Z)
• Adaptive Self-supervision Algorithms for Physics-informed Neural Networks [59.822151945132525]
  物理情報ニューラルネットワーク(PINN)は、損失関数のソフト制約として問題領域からの物理的知識を取り入れている。 これらのモデルの訓練性に及ぼす座標点の位置の影響について検討した。 モデルがより高い誤りを犯している領域に対して、より多くのコロケーションポイントを段階的に割り当てる適応的コロケーション方式を提案する。
  論文  参考訳（メタデータ） (2022-07-08T18:17:06Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Generic Perceptual Loss for Modeling Structured Output Dependencies [78.59700528239141]
  トレーニングされた重みではなく、ネットワーク構造が重要であることを示す。 我々は、出力の構造化依存関係をモデル化するためにランダムに重み付けされたディープcnnが使用できることを実証する。
  論文  参考訳（メタデータ） (2021-03-18T23:56:07Z)
• Multi-Loss Weighting with Coefficient of Variations [19.37721431024278]
  本稿では,変動係数に基づく重み付け手法を提案し,モデルのトレーニング中に観測された特性に基づいて重みを設定する。 提案手法は損失のバランスをとるための不確実性の尺度を組み込んでおり、その結果、他の(学習ベース)最適化を必要とせずに、トレーニング中に損失重みが進化する。 提案手法の有効性は,複数のデータセット上での深度推定とセマンティックセグメンテーションに実証的に示される。
  論文  参考訳（メタデータ） (2020-09-03T14:51:19Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• SoftAdapt: Techniques for Adaptive Loss Weighting of Neural Networks with Multi-Part Loss Functions [1.2891210250935146]
  我々は,多部損失関数に対する関数重みを動的に変化させる,SoftAdaptと呼ばれる手法群を提案する。 SoftAdaptは数学的に直感的で、計算効率が良く、実装も簡単です。
  論文  参考訳（メタデータ） (2019-12-27T22:23:16Z)

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。