Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Image segmentation losses with modules expressing a relationship between predictions

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F22%3AA2302FC5" target="_blank" >RIV/61988987:17610/22:A2302FC5 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1007/978-3-031-08974-9_27" target="_blank" >http://dx.doi.org/10.1007/978-3-031-08974-9_27</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/978-3-031-08974-9_27" target="_blank" >10.1007/978-3-031-08974-9_27</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Image segmentation losses with modules expressing a relationship between predictions

  • Popis výsledku v původním jazyce

    We focus on semantic image segmentation with the usage of deep neural networks and give emphasis on the loss functions used for training the networks. Considering region-based losses, Dice loss, and Tversky loss, we propose two independent modules that easily modify the loss functions to take into account the relationship between the class predictions and increase the slope of the gradient. The first module expresses the ambiguity between classes and the second module utilizes a differentiable soft argmax function. Each of the modules is used before the standard loss is computed and remains untouched. In the benchmark, we involved two neural network architectures with two different backbones, selected two loss functions, and examined separately two scenarios for softmax and sigmoid top activation functions. In the experiment, we demonstrate the usefulness of our modules by improving the IOU and F1 coefficients on the test dataset for all scenarios tested. Moreover, the usage of the modules decreases overfitting. The proposed modules are easy to integrate into existing solutions and add near-zero computational overhead.

  • Název v anglickém jazyce

    Image segmentation losses with modules expressing a relationship between predictions

  • Popis výsledku anglicky

    We focus on semantic image segmentation with the usage of deep neural networks and give emphasis on the loss functions used for training the networks. Considering region-based losses, Dice loss, and Tversky loss, we propose two independent modules that easily modify the loss functions to take into account the relationship between the class predictions and increase the slope of the gradient. The first module expresses the ambiguity between classes and the second module utilizes a differentiable soft argmax function. Each of the modules is used before the standard loss is computed and remains untouched. In the benchmark, we involved two neural network architectures with two different backbones, selected two loss functions, and examined separately two scenarios for softmax and sigmoid top activation functions. In the experiment, we demonstrate the usefulness of our modules by improving the IOU and F1 coefficients on the test dataset for all scenarios tested. Moreover, the usage of the modules decreases overfitting. The proposed modules are easy to integrate into existing solutions and add near-zero computational overhead.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10102 - Applied mathematics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/EF17_049%2F0008414" target="_blank" >EF17_049/0008414: Centrum pro výzkum a vývoj metod umělé intelligence v automobilovém průmyslu regionu</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    Information Processing and Management of Uncertainty in Knowledge-Based Systems

  • ISBN

    978-3-031-08973-2

  • ISSN

    1865-0929

  • e-ISSN

    1865-0937

  • Počet stran výsledku

    12

  • Strana od-do

    343-354

  • Název nakladatele

    Springer

  • Místo vydání

    Milano

  • Místo konání akce

    Milano

  • Datum konání akce

    11. 7. 2022

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku