【计算机视觉】关于`partial cross entropy loss`用于弱监督语义分割中的说明

【计算机视觉】关于partial cross entropy loss用于弱监督语义分割中的说明

弱监督标签

以两类别语义分割为例，背景和前景，给定的弱监督标签是只对前景个一小部分进行了标注。这个只是直接拿这个弱监督标签进行训练，会有一定的问题，因为大部分的前景标签都没有标注出来，所以前景类别会受到较大的抑制。

GT标签：

Weak标签：

采用 partial cross entropy loss

意思是只在有标注的像素上计算cross entropy loss。前景目标为1，那么对应的 loss=-∑t_i*log(p_i), i 为像素索引, t_i 为对应的真实标签，p_i 为对应的分割输出是前景的概率。对比正常的cross entropy loss，少了对于真实标签为0的部分的loss计算：loss=-∑t_i*log(p_i)-∑(1-t_i)*log(1-p_i)，也就是说认为弱标签只是提供了对前景的标注。因此，计算时只对有标注的像素计算损失。<