这篇笔记介绍了 Lovasz-Softmax 损失，这是一种针对神经网络分割任务中IoU指标优化的设计。由于Jaccard loss在连续预测时不可导，Lovasz-Softmax通过Lovasz扩展使其可导，适用于连续的预测空间。作者提供了Pytorch和TensorFlow版本的实现代码，并指出该损失函数适用于微调阶段。
极简笔记 The Lovasz-Softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks
本文提出一种Lovasz-Softmax loss，专门正对分割任务的评价指标IoU进行优化设计。由于本文涉及到的数学概念超出所学知识，因此本篇笔记偏向于计算过程的介绍。
记网络预测结果 y ~ \widetilde{y} y
和标注 y ∗ y^* y∗，IoU评价指标的计算为（又名Jaccard index）：
J c ( y ∗ , y ~ ) = ∣ { y ∗ = c } ∩ { y ~ = c } ∣ ∣ { y ∗ = c } ∪ { y ~ = c } ∣ J_c(y^*,\widetilde{y})=\frac{|\{y^*=c\}\cap\{\widetilde{y}=c\}|}{|\{y^*=c\}\cup\{\widetilde{y}=c\}|} Jc(y∗,y
)=∣{
y∗=c}∪{
y
=c}∣∣{
y∗=c}∩{
y
=c}∣
Jaccard loss可以定义为：
△ J c ( y ∗ , y ~
扫一扫
518
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
