考虑数据分布损失的图像分割

• 全文链接
• 请求原文

作   者：

张震;  彭景昊;  田鸿朋; 

作者机构：

郑州大学 电气与信息工程学院; 

关键词：

损失函数;  不平衡数据;  深度学习;  图像分割; 

期刊名称：

计算机工程与应用

i s s n：

1002-8331

年卷期：

2024 年 60 卷 019 期

页   码：

242-249

摘   要：

在图像分割任务中,损失函数的选择直接影响模型的收敛过程和最终精度.交叉熵损失函数(cross-entropy loss,CEL)具有稳定的收敛性,但在面临数据分布不均衡的情况下精度较低.Dice损失函数(Dice loss,DL)通过区域面积计算,在处理不均衡数据时能够获得较高的精度,但在多类别数据集上难以训练.为了解决这些问题,提出了一种的交叉熵损失函数(Dice cross-entropy loss,DCEL),它对正样本使用交叉熵计算损失值,而对负样本使用交叉熵与交并比(IOU)的乘积计算损失值.这样设计使得DCEL在多类别数据集上梯度与误差正相关,有利于模型的收敛性,并通过压缩负样本损失值提升对正样本的关注度,从而提升了图像分割算法的精度.DCEL的性能在ADE20k、PASCAL VOC、LoveDA和HRF数据集上进行了验证.