Polygonal Building Extraction by Frame Field Learning

深度学习中的图像分割与边缘检测损失函数解析

最新推荐文章于 2024-08-23 08:39:35 发布

原创最新推荐文章于 2024-08-23 08:39:35 发布 · 443 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #机器学习

本文详细介绍了深度学习在图像分割任务中如何利用SegEdgeInteriorLoss进行边缘检测与内部区域约束。首先，通过计算屋顶预测结果的梯度来获取边缘概率；然后，基于预测的边缘和内部区域概率计算互斥损失，并利用权重函数调整损失贡献，其中权重与屋顶和边缘的概率相关。权重设计旨在使得边缘模糊或内部区域不确定时，损失权重增大，从而引导模型优化这些区域。

SegEdgeInteriorLoss 预测边缘与预测的屋顶分割结果的制约

(1) 根据屋顶预测结果来计算概率
seg是屋顶预测结果，值为[0-1],shape为(b,c,h,w); seg_grad_norm是根据seg计算的屋顶边缘概率，值为[0-1],shape为(b,c,h,w)。

seg_grads = 2 * self.spatial_gradient(seg)  # (b, c, 2, h, w),
seg_grad_norm = seg_grads.norm(dim=2)

**（2）**计算整张图的mutual_loss, seg_edge是通过分割预测得到的边缘概率； seg_interior_grad_norm是第（1）步得到的结果
raw_loss = torch.abs(seg_edge - seg_interior_grad_norm)

（3） 损失权重获取：屋顶概率（seg_interior）越高，权重越低，越低权重越高；边缘概率越高，权重越高。

# seg_interior是预测的屋顶概率；seg_interior越接近1，outside_mask越小；seg_interior越接近0，outside_mask越小。
outside_mask = (torch.cos(np.pi * seg_interior) + 1) / 2
# seg_interior_grad_norm是边缘概率，边缘概率越接近1，boundary_mask越大；边缘概率越接近0，boundary_mask越小；
boundary_mask = (1 - torch.cos(np.pi * seg_interior_grad_norm)) / 2

mask = torch.max(outside_mask, boundary_mask).float()