用卷积神经网络实现边缘检测的论文”Holistically-Nested Edge Detection”中使用了加权交叉熵损失函数(sigmoid_cross_entropy_loss_layer),因为在边缘检测中正样本(边缘)相对于负样本(非边缘)来讲,数量是很少的,如果对正负样本的损失乘以同样的权重系数,那么网络就会把所有的像素都预测成负样本(因为正样本的数目很少,所以都预测为负样本的话,总的损失也会很小),而这是我们不想看到的,所以需要给正样本的损失加上一定的权重,当正样本分类错误的时候,乘以一个很大的权重,造成总的损失会很大。当负样本分类错的时候,乘以一个很小的权重(e.g. 1),但是由于负样本的总数比较多,所以总的损失也是符合实际情况的。
先补上上面论文的地址:https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Xie_Holistically-Nested_Edge_Detection_ICCV_2015_paper.pdf
caffe代码:https://github.com/s9xie/hed
论文中交叉熵损失函数定义为&#
caffe 加权交叉熵损失函数层(weighted sigmoid_cross_entropy_loss_layer)添加方法
最新推荐文章于 2024-06-22 22:41:08 发布