Severity-Aware and Reinforced Semantic Segmentation using Wasserstein Training

严重性感知语义分割与强化Wasserstein训练

文章结构概览

• 基于严重程度感知的语义分割方法及强化Wasserstein训练策略
  • • 摘要
    • 核心创新点
    • 技术实现
    • 实验验证
    • 个人见解

摘要

基于交叉熵损失的像素分类方法在图像分割任务中表现出良好的效果，然而该损失函数仍存在一定的局限性。在采用交叉熵损失进行计算时，各个分割类别被视为相互独立的个体，未能充分体现出不同误分类之间所存在的严重程度差异。一旦出现预测错误，各类误分类所带来的影响可能存在显著差异。

例如在自动驾驶技术应用中，如上图所展示的，将 Car 转换为 Bus 的效果显著优于将 Car 转换为 Road 的方式。

针对交叉熵损失函数对各类误分类错误赋予相同权重这一缺陷，**重要性感知（impo