論文の概要: Instance Awareness of Multi-class Semantic Segmentation Loss Functions
- arxiv url: http://arxiv.org/abs/2604.24276v1
- Date: Mon, 27 Apr 2026 10:10:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.887976
- Title: Instance Awareness of Multi-class Semantic Segmentation Loss Functions
- Title（参考訳）: 多クラスセマンティックセマンティックセグメンテーション損失関数のインスタンス認識
- Authors: Soumya Snigdha Kundu, Florian Kofler, Marina Ivory, Hendrik Moller, Jonathan Shapey, Tom Vercauteren,
- Abstract要約: 1-vs-restクラス分解による複数クラスのセグメンテーションにインスタンス依存の損失を拡大することで、クラス不均衡にも対処できることが示される。
本研究は, 希少クラス, 共通クラス間の重み不均衡により世界規模でトレーニングを安定化させる逆サイズ重み付けが, 部品単位の損失に一体化した場合に有効であることを示す。
- 参考スコア（独自算出の注目度）: 3.9688827799567883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Instance-sensitive losses for semantic segmentation such as blob loss and CC loss were designed to address instance imbalance, ensuring small lesions generate the same gradient as large ones, but operate only on single-class segmentation. In multi-class settings, class imbalance poses an additional problem: rare classes with few instances receive a disproportionately small share of the training signal. We show that extending instance-sensitive losses to multi-class segmentation via a one-vs-rest class decomposition repurposes them to also address class imbalance, as uniform averaging over classes ensures each class contributes equally regardless of frequency. We further show that inverse-size weighting, which destabilizes training when applied globally due to weight imbalances across rare and common classes, becomes effective when integrated within the per-component loss, confining the reweighting to each component's spatial context. On the BraTS-METS 2025 dataset (260 test cases), multi-class CC loss improves foreground Dice (0.64 +/- 0.26 vs. 0.59 +/- 0.27 baseline) and rare-class Dice, while maintaining Panoptic Quality at DSC threshold 0.5. Multi-class blob loss achieves the best Panoptic Quality at threshold 0.5 (0.40 +/- 0.24 vs. 0.38 +/- 0.25 baseline) and recognition quality (0.53 +/- 0.29 vs. 0.49 +/- 0.30). Integrating inverse-size weighting within the per-component loss increases rare-class Dice to 0.44 +/- 0.36 at the cost of reduced detection quality.
- Abstract（参考訳）: ブロブ損失やCC損失などのセマンティックセグメンテーションに対するインスタンス依存性の損失は、インスタンスの不均衡に対処するために設計された。
少数のインスタンスを持つ稀なクラスは、トレーニング信号の極めて小さなシェアを受け取る。
1-vs-restクラス分解による多クラスセグメンテーションへのインスタンス依存損失の拡大は、クラス平均化が各クラスが周波数に関係なく等しく寄与することを保証しているため、クラス不均衡への対処にも役立てることが示される。
さらに、各コンポーネントの空間的文脈に重み付けを埋め合わせ、各コンポーネントごとの損失に組み込んだ場合、レアクラスと共通クラス間の重み付けの不均衡により、世界規模でトレーニングを安定化させる逆サイズ重み付けが有効であることを示す。
BraTS-METS 2025データセット(260のテストケース)では、マルチクラスのCC損失はDice(0.64 +/- 0.26 vs. 0.59 +/- 0.27ベースライン)とレアクラスのDiceを改善し、DSC閾値0.5でPanoptic Qualityを維持している。
マルチクラスのブロブ損失は、閾値0.5(0.40 +/- 0.24 vs. 0.38 +/- 0.25 ベースライン)と認識品質(0.53 +/- 0.29 vs. 0.49 +/- 0.30)で最高のパノプティク品質を達成する。
部品あたりの損失に逆サイズ重み付けを組み込むと、検出品質の低下を犠牲にして、希少なクラスDiceが 0.44 +/- 0.36 に増加する。
関連論文リスト
- Center Contrastive Loss for Metric Learning [8.433000039153407]
本稿では,Central Contrastive Lossと呼ばれる新しいメトリック学習機能を提案する。
クラスワイド・センタ・バンクを維持し、コントラッシブ・ロスを用いてカテゴリセンターとクエリデータポイントを比較している。
提案した損失は、対比法と分類法の両方の利点を組み合わせたものである。
論文 参考訳（メタデータ） (2023-08-01T11:22:51Z) - Escaping Saddle Points for Effective Generalization on Class-Imbalanced
Data [40.64419633190104]
我々は、再重み付けとマージンに基づく手法で訓練されたニューラルネットワークの損失状況を調べることによって、クラス不均衡の学習問題を解析する。
本研究では,サドル点から逃れるために設計された最適化手法を,マイノリティクラスにおける一般化の効率化に有効に活用できることを見出した。
SAMを使用することで、最先端のベクタースケーリング損失よりもマイノリティークラスでは6.2%の精度が向上し、不均衡なデータセット全体の平均4%が増加した。
論文 参考訳（メタデータ） (2022-12-28T14:00:44Z) - CAMRI Loss: Improving Recall of a Specific Class without Sacrificing
Accuracy [22.576922942465142]
クロスエントロピー損失の場合と同様の精度を維持しつつ,重要なクラスのリコールを改善することができる損失関数を提案する。
CIFAR-10, GTSRB, AwA2の実験により, 提案手法は精度を犠牲にすることなく, 最大9%のリコール改善が可能であることを示した。
論文 参考訳（メタデータ） (2022-09-22T10:59:49Z) - PCCT: Progressive Class-Center Triplet Loss for Imbalanced Medical Image
Classification [55.703445291264]
不均衡トレーニングデータは、医用画像分類において重要な課題である。
クラス不均衡問題を軽減するために,PCCT(Progressive Class-Center Triplet)フレームワークを提案する。
PCCTフレームワークは、不均衡な訓練画像を用いた医用画像分類に効果的に機能する。
論文 参考訳（メタデータ） (2022-07-11T11:43:51Z) - Neural Collapse Inspired Attraction-Repulsion-Balanced Loss for
Imbalanced Learning [97.81549071978789]
勾配の異なる成分のバランスをとるために,Attraction-Repulsion-Balanced Loss (ARB-Loss)を提案する。
大規模分類とセグメンテーションデータセットの実験を行い、ARB-Lossは最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-04-19T08:23:23Z) - Killing Two Birds with One Stone:Efficient and Robust Training of Face
Recognition CNNs by Partial FC [66.71660672526349]
部分FC (Partial FC) という,完全連結層 (FC) のスパース更新版を提案する。
各イテレーションにおいて、マージンベースのソフトマックス損失を計算するために、正のクラスセンターと負のクラスセンターのランダムなサブセットが選択される。
計算要求、クラス間衝突の確率、テールクラスセンターにおけるパッシブ更新の頻度は劇的に減少する。
論文 参考訳（メタデータ） (2022-03-28T14:33:21Z) - Striking the Right Balance: Recall Loss for Semantic Segmentation [24.047359482606307]
クラス不均衡は、セマンティックセグメンテーションのようなコンピュータビジョンアプリケーションにおける基本的な問題である。
我々は,バニラクロスエントロピー損失を変形させることにより,ハードクラスの鉱業損失を提案する。
本研究では, 標準クロスエントロピー損失と逆周波数重み付き損失との間に, 新たなリコール損失が徐々に変化することを示す。
論文 参考訳（メタデータ） (2021-06-28T18:02:03Z) - Adaptive Class Suppression Loss for Long-Tail Object Detection [49.7273558444966]
アダプティブクラス抑圧損失(ACSL:Adaptive Class Suppression Loss)を考案し,尾部カテゴリの検出性能を改善する。
当社のACSLはResNet50-FPNで5.18%と5.2%の改善を実現し,新たな最先端技術を実現した。
論文 参考訳（メタデータ） (2021-04-02T05:12:31Z) - Orthogonal Projection Loss [59.61277381836491]
直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。
OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。
OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
論文 参考訳（メタデータ） (2021-03-25T17:58:00Z) - Rethinking preventing class-collapsing in metric learning with
margin-based losses [81.22825616879936]
メトリクス学習は、視覚的に類似したインスタンスが近接し、異なるインスタンスが分離した埋め込みを求める。
マージンベースの損失は、クラスの全サンプルを埋め込み空間の単一点に投影する傾向がある。
そこで本研究では,各サンプルが最寄りの同一クラスをバッチで選択するように,埋め込み損失の簡易な修正を提案する。
論文 参考訳（メタデータ） (2020-06-09T09:59:25Z)
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。