- Контрастный непарный перевод с использованием очаговой потери для классификации участков (arXiv)
Автор:
Аннотация:
2. Кросс-модальные фокальные потери для защиты от спуфинга лиц RGBD(arXiv)
Автор: Анжит Джордж, Себастьян Марсель
Вывод:автоматические методы обнаружения презентационных атак необходимы для обеспечения надежного использования технологии распознавания лиц. Большинство методов, доступных в литературе для обнаружения атак представления (PAD), не могут быть обобщены на невидимые атаки. В последние годы были предложены многоканальные методы для повышения надежности систем PAD. Часто для дополнительных каналов доступен только ограниченный объем данных, что ограничивает эффективность этих методов. В этой работе мы представляем новую структуру для PAD, которая использует каналы RGB и глубины вместе с новой функцией потерь. Новая архитектура использует дополнительную информацию из двух модальностей, уменьшая при этом влияние переобучения. По существу, предлагается кросс-модальная функция фокальных потерь для модуляции вклада потерь каждого канала в зависимости от достоверности отдельных каналов. Обширные оценки двух общедоступных наборов данных демонстрируют эффективность предлагаемого подхода.
3. Единая фокальная потеря: обобщение потерь на основе Dice и перекрестной энтропии для обработки несбалансированной сегментации медицинских изображений по классам.
(arXiv)
Автор:Майкл Юнг, Эвис Сала, Карола-Бибиан Шёнлиб, Леонардо Рундо
Аннотация. Автоматические методы сегментации — важное достижение в области анализа медицинских изображений. Методы машинного обучения и, в частности, глубокие нейронные сети являются самыми современными для большинства задач сегментации медицинских изображений. Проблемы с дисбалансом классов представляют серьезную проблему в наборах медицинских данных, поскольку поражения часто занимают значительно меньший объем по сравнению с фоном. Функции потерь, используемые при обучении алгоритмов глубокого обучения, отличаются своей устойчивостью к дисбалансу классов, что имеет прямые последствия для сходимости модели. Наиболее часто используемые функции потерь для сегментации основаны либо на потере перекрестной энтропии, либо на потере кости, либо на их комбинации. Мы предлагаем Unified Focal loss, новую иерархическую структуру, которая обобщает потери на основе Dice и перекрестной энтропии для обработки дисбаланса классов. Мы оцениваем предлагаемую нами функцию потерь на пяти общедоступных несбалансированных наборах данных медицинских изображений: CVC-ClinicDB, цифровые изображения сетчатки для извлечения сосудов (DRIVE), УЗИ молочной железы 2017 г. (BUS2017), сегментация опухоли головного мозга 2020 г. (BraTS20) и сегментация опухоли почки 2019 г. (КиЦ19). Мы сравниваем производительность нашей функции потерь с шестью функциями потерь на основе Dice или перекрестной энтропии в задачах 2D-бинарной, 3D-бинарной и 3D-мультиклассовой сегментации, демонстрируя, что предлагаемая нами функция потерь устойчива к дисбалансу классов и постоянно превосходит другие функции потерь. Исходный код доступен по адресу: https://github.com/mlyg/unified-focal-loss.
