[3] Cen J, Yun P, Cai J, et al. Deep Metric Learning for Open World Semantic Segmentation[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 15333-15342.
本文联合判别交叉熵(DCE)损失和变分损失来替代CE loss,基于深度度量学习网络(DMLNet)与对比性聚类来实现开放集语义分割。(实际上包含开放集语义分割模块和一个增量学习模块,但我们只关注第一部分)
- 在训练阶段,该方法将判别交叉熵损失(等价于上文中的tuplet损失)和变分损失(等价于上文中的中心损失)结合起来,制定了一个新的损失函数,即混合损失(也没命名,就叫混合损失,真特么随意),用于开放集语义分割。其中,交叉熵损失就是类似于上文中的tuplet损失,使得样本和同类中心的距离尽量小,和不同类的中心距离尽可能大,不同的还是中心点的计算,他们这叫做原型(因为是指标学习嘛)的计算,这里没有特意提到,估计就是每次都求个特征均值。变分损失VL的计算和上文的中心损失以及上上面这篇TCSVT上的文章类似,唯一的区别还是类中心的计算方法不一样,没有明确提出来。所以,总的混合损失函数L如下