KiPA22 Report: U-Net with Contour Regularization for Renal Structures Segmentation
Shanghai Jiao Tong University（上海交通大学）
三维（3D）完整肾脏结构（IRS）分割在临床实践中非常重要。随着深度学习技术的进步，提出了许多专注于医学图像分割的强大框架。在这个挑战中，我们使用了nnU-Net框架，这是最先进的医学图像分割方法。为了减少肿瘤标记的离群值预测，我们将肿瘤标记的轮廓正则化（CR）损失与Dice损失和交叉熵损失相结合以改善这种现象。
2022-09-06 cs.CV cs.LG eess.IV
Pixel-wise Modulated Dice Loss for Medical Image Segmentation
University of Tehran（德黑兰大学）
本研究提出像素级调制Dice损失，以极低计算成本同时处理医学分割中的类别不平衡和难度不平衡，在三个常用任务上优于现有方法。
2025-06-17 cs.CV cs.LG eess.IV
blob loss: instance imbalance aware loss functions for semantic segmentation
Technical University of Munich（慕尼黑工业大学）；King’s College London（伦敦国王学院）；Helmholtz Institute Munich（慕尼黑亥姆霍兹研究所）；University of Zurich（苏黎世大学）
本文提出blob loss损失函数，针对语义分割中的实例不平衡问题，旨在提升实例级检测指标，在多个3D分割任务上较软Dice损失获得显著F1分数提升。
2023-06-06 cs.CV cs.LG eess.IV
Dilated Balanced Cross Entropy Loss for Medical Image Segmentation
University of Tehran（德黑兰大学）；Sharif University of Technology（谢里夫理工大学）
针对医学图像分割的类别不平衡问题，提出基于类别掩码扩张区域加权的扩张平衡交叉熵损失，大幅提升平衡交叉熵性能，效果可媲美Dice与交叉熵的组合损失。
2024-12-08 cs.CV cs.LG eess.IV
Topology-Aware Focal Loss for 3D Image Segmentation
Novartis（诺华公司）；Mass. General Hospital（麻省总医院）
本文提出TAFL损失，将Focal Loss与基于持续图Wasserstein距离的拓扑约束结合，并用BraTS数据集训练3D U-Net，验证其可减少3D医学图像分割中的拓扑错误。
2023-04-27 cs.CV cs.LG eess.IV
Flight Contrail Segmentation via Augmented Transfer Learning with Novel SR Loss Function in Hough Space
Delft University of Technology（代尔夫特理工大学）
本文提出一种基于少样本迁移学习和增强数据集的飞行尾迹分割方法，并设计Hough空间中的新型SR Loss损失函数，以提升尾迹线检测性能，解决标注数据稀缺问题。
2023-09-25 cs.CV cs.LG eess.IV
Learning from imperfect training data using a robust loss function: application to brain image segmentation
University of Southern California（南加州大学）
分割是MRI医学图像分析中最重要的任务之一，在许多临床应用中往往是第一步也是最关键的一步。在脑MRI分析中，头部分割通常用于测量和可视化大脑的解剖结构，也是其他应用（如脑电图和脑磁图（EEG/MEG）中的电流源重建）的必要步骤。在这里，我们提出了一个深度学习框架，可以只使用T1加权MRI作为输入来分割大脑，头骨和颅外组织。此外，我们描述了一种鲁棒的方法，用于在存在噪声标签的情况下训练模型。
2022-08-08 cs.CV cs.LG eess.IV
Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation
University of Oxford（牛津大学）；KAUST（阿卜杜拉国王科技大学）
在本文中，我们提出了一种新的损失函数，称为类不可知分割（CAS）损失。在CAS丢失的情况下，在网络训练期间学习类描述符。我们不需要先验地定义类别的标签，而是CAS以弱监督的方式将具有相似外观的区域聚类在一起。此外，我们证明了CAS的损失函数是稀疏的，有界的，和强大的类不平衡。我们将我们的CAS损失函数与全卷积ResNet101和DeepLab-v3架构一起应用于显著目标检测的二进制分割问题。我们研究了在7个突出的目标检测数据集上的低和高保真训练数据的两种设置中对最先进方法的性能。对于低保真度训练数据（不正确的类标签），类不可知分割损失在显著目标检测数据集上的表现优于最先进的方法，其边缘约为50%。对于高保真训练数据（正确的类标签），类不可知分割模型与最先进的方法一样好，同时在大多数数据集上击败了最先进的方法。为了显示跨不同域的损失函数的实用性，我们还在一般分割数据集上进行了测试，其中类不可知的分割损失在区域和边缘度量上都以巨大的余量优于基于交叉熵的损失。
2020-10-28 cs.CV cs.LG
Class-Agnostic Segmentation Loss and Its Application to Salient Object Detection and Segmentation
University of Oxford（牛津大学）；LUMS（拉合尔管理科学大学）；KAUST（阿卜杜拉国王科技大学）
在本文中，我们提出了一种新的损失函数，称为类不可知分割（CAS）损失。在CAS丢失的情况下，在网络训练期间学习类描述符。我们不需要先验地定义类别的标签，而是CAS以弱监督的方式将具有相似外观的区域聚类在一起。此外，我们证明了CAS的损失函数是稀疏的，有界的，和强大的类不平衡。我们首先将我们的CAS损失函数与全卷积ResNet 101和DeepLab-v3架构一起应用于显著目标检测的二进制分割问题。我们研究了在7个突出的目标检测数据集上的低和高保真训练数据的两种设置中对最先进方法的性能。对于低保真度训练数据（不正确的类标签），类不可知分割损失在显著目标检测数据集上的表现优于最先进的方法，其边缘约为50%。对于高保真训练数据（正确的类标签），类不可知分割模型与最先进的方法一样好，同时在大多数数据集上击败了最先进的方法。为了显示损失函数在不同领域的效用，我们还在一般的分割数据集上进行了测试，其中类不可知的分割损失以巨大的利润率优于竞争损失。
2021-07-16 cs.CV cs.LG
Improving Segmentation of Objects with Varying Sizes in Biomedical Images using Instance-wise and Center-of-Instance Segmentation Loss Function
RIKEN Center for Brain Science（理化学研究所脑科学中心）；Faculty of Computer Science, Universitas Indonesia（印度尼西亚大学计算机科学学院）
本文提出 ICI loss 以解决生物医学图像分割中的实例不平衡问题，通过实例级和实例中心两个分量提升小目标检测与整体精度，并在 ATLAS R2.0 卒中病灶分割任务上优于 Dice loss 和 blob loss。
2023-04-13 cs.CV eess.IV
Boundary Difference Over Union Loss For Medical Image Segmentation
Xiamen University（厦门大学）
提出Boundary DoU Loss，通过计算预测与真实值的差集与并集比例并自适应调整边界注意力，解决了医学图像分割中边界损失效果不佳的问题，在ACDC和Synapse数据集上验证有效。
2023-08-01 cs.CV eess.IV
Contour-weighted loss for class-imbalanced image segmentation
Peking University（北京大学）
针对医学图像分割中的类别不平衡导致的过分割与欠分割问题，提出融合轮廓加权交叉熵和可分离 dice 的损失函数，在腹部器官与脑肿瘤数据集上提升了分割性能和模型鲁棒性。
2024-06-07 cs.CV eess.IV
InverseForm: A Loss Function for Structured Boundary-Aware Segmentation
Qualcomm AI Research（高通人工智能研究院）
我们提出了一种新的边界感知损失项语义分割使用逆变换网络，有效地学习估计和目标边界之间的参数转换的程度。该插件损失项补充了捕获边界变换中的交叉熵损失，并允许在不增加其大小和计算复杂性的情况下对分割骨干模型进行一致且显著的性能改进。我们分析了我们的损失函数对三个室内和室外分割基准的定量和定性影响，包括Cityscapes，NYU-Depth-v2和PASCAL，将其集成到几个骨干网络的单任务和多任务设置的训练阶段。我们广泛的实验表明，所提出的方法始终优于基线，甚至在两个数据集上设置了新的最先进的方法。
2021-04-08 cs.CV cs.LG
Boundary Loss for Remote Sensing Imagery Semantic Segmentation
Skoltech（斯科尔科沃科技学院）
随着地理空间数据重要性的日益增长，包括语义分割在内的地理空间数据分析成为当今计算机视觉中越来越受欢迎的任务。卷积神经网络是一种功能强大的可视化模型，它可以产生层次化的特征，从业者广泛使用它来处理遥感数据。在进行遥感图像分割时，常常会遇到同一类的多个实例具有精确定义的边界的情况，准确地提取这些边界是至关重要的。分割区域边界划分的准确性直接影响到整个分割区域的质量。然而，广泛使用的分割损失函数，例如BCE、IoU损失或Dice损失，不能充分地惩罚边界的未对准。在本文中，我们提出了一种新的损失函数，即一个度量会计边界检测精度的可微代理。我们可以使用损失函数与任何神经网络进行二进制分割。我们进行了验证我们的损失函数与各种修改的UNet上的合成数据集，以及使用真实世界的数据（ISPRS波茨坦，INRIA AIL）。使用所提出的损失函数进行训练，模型在IoU得分方面优于基线方法。
2019-05-20 cs.CV cs.LG
Optimized Hybrid Focal Margin Loss for Crack Segmentation
MegaRobo Technologies Co., Ltd.（镁伽机器人科技有限公司）
许多损失函数都是从交叉熵损失函数中推导出来的，例如大幅度softmax损失和焦点损失。大余量的softmax损失使分类更加严格，并防止过拟合。焦点损失通过降低分类良好的示例的损失的权重来消除目标检测中的类别不平衡。最近的研究表明，这两个损失函数来自交叉熵在图像分割领域有价值的应用。然而，据我们所知，没有统一的公式，结合这两个损失函数，使他们不仅可以相互转换，但也可以用来同时解决类不平衡和过拟合。为此，我们将基于熵的损失细分为基于正则化器的熵损失和基于焦点的熵损失，并提出了一种新的优化混合焦点损失来处理极端的类不平衡并防止裂缝分割的过拟合。我们将我们的建议与三个裂缝分割数据集（DeepCrack-DB，CRACK 500和我们的私人PanelCrack数据集）进行了比较。我们的实验表明，焦边分量可以显着增加裂纹的IoU在DeepCrack-DB上为0.43，在PanelCrack数据集上为0.44。
2023-02-09 cs.CV eess.IV
Learning Non-Unique Segmentation with Reward-Penalty Dice Loss
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）；Department of Otolaryngology, The University of Melbourne（墨尔本大学耳鼻喉科）
语义分割是计算机视觉领域的关键问题之一，因为它使计算机图像理解成为可能。然而，大多数语义分割的研究和应用集中在解决独特的分割问题，其中每个输入图像只有一个金标准分割结果。这在某些问题中可能不是真的，例如，医疗应用。我们可能有非唯一的分割注释，因为不同的外科医生可能以略微不同的方式为同一患者执行成功的手术。为了全面学习非唯一分割任务，我们提出了奖惩骰子损失（RPDL）函数作为深度卷积神经网络（DCNN）的优化目标。RPDL能够通过增强公共区域和惩罚外部区域来帮助DCNN学习非唯一分割。实验结果表明，与我们收集的手术数据集上的其他损失函数相比，RPDL将DCNN模型的性能提高了18.4%。
2020-09-23 cs.CV eess.IV
Segmentation Network with Compound Loss Function for Hydatidiform Mole Hydrops Lesion Recognition
Tsinghua University（清华大学）；the Third Affiliated Hospital of Zhengzhou University（郑州大学第三附属医院）
病理形态学诊断是葡萄胎的标准诊断方法。作为一种具有恶变潜能的疾病，葡萄胎的水肿病变切片是诊断的重要依据。早期葡萄胎由于病变发展不完全，难以鉴别，导致临床诊断准确率低。图像语义分割网络作为一种优秀的机器学习技术，已被应用于许多医学图像识别任务。我们开发了一个基于新的损失函数和训练方法的葡萄胎水肿病变分割模型。该模型由不同的网络组成，这些网络在像素和病变级别分割切片图像。我们的复合损失函数为两个级别的分割结果分配权重以计算损失。然后，我们提出了一种分阶段的训练方法，以结合不同级别的各种损失函数的优点。我们评估我们的方法在一个葡萄胎积水数据集。实验结果表明，该模型与我们的损失函数和训练方法具有良好的识别性能，在不同的分割指标。
2022-04-11 cs.CV eess.IV
Anatomical and Diagnostic Bayesian Segmentation in Prostate MRI $-$Should Different Clinical Objectives Mandate Different Loss Functions?
Radboud University Medical Center（拉德堡德大学医学中心）
我们假设前列腺MRI中解剖结构和恶性肿瘤的概率体素级分类，尽管通常通过U-网构成几乎相同的分割任务，但由于其临床目标的固有差异，需要不同的损失函数才能获得最佳性能。我们研究了来自公开的ProstateX数据集的200例患者检查中这两项任务的分布，区域和基于边界的损失函数。为了进行评估，我们对模型预测和校准进行了全面的比较分析，测量了前列腺解剖结构（全腺体，移行区，外周区）的多类体积分割，以及临床显著前列腺癌的患者级诊断和病变级检测。值得注意的是，我们发现基于分布的损失函数（特别是焦点损失）非常适合诊断或全景分割任务，如病变检测，主要是由于其隐含的属性，诱导更好的校准。同时，（除了病灶损失）基于分布和区域/边界的损失函数对于解剖或语义分割任务（例如器官形状、大小和边界的量化）同样表现良好。
2021-10-25 cs.CV eess.IV
High-level Prior-based Loss Functions for Medical Image Segmentation: A Survey
Normandie Univ（诺曼底大学）；INSA Rouen（鲁昂国立应用科学学院）；Université Libanaise（黎巴嫩大学）；Eindhoven University of Technology（埃因霍温理工大学）；Université de technologie de Troyes（特鲁瓦技术大学）
如今，深度卷积神经网络（CNN）已经在各种成像模式和任务中展示了监督医学图像分割的最新性能。尽管早期的成功，分割网络仍然可能产生解剖学上异常的分割，在对象边界附近有洞或不准确。为了减轻这种影响，最近的研究工作集中在结合空间信息或先验知识，以执行解剖学上合理的分割。如果在图像分割中先验知识的整合在经典优化方法中不是一个新的话题，那么今天在基于CNN的图像分割中，它是一个不断增长的趋势，如关于该主题的越来越多的文献所示。在本调查中，我们专注于高级先验，嵌入在损失函数水平。我们根据先验的性质对文章进行分类：对象的形状，大小，拓扑结构和区域间的约束。我们强调了目前的方法的优势和局限性，讨论了与设计和整合先验损失相关的挑战，以及优化策略，并得出未来的研究方向。
2020-11-22 cs.CV cs.LG
Learning Euler's Elastica Model for Medical Image Segmentation
University of Liverpool（利物浦大学）；Chinese Academy of Sciences（中国科学院）
图像分割是图像处理中的一个基本课题，已经被研究了几十年。基于深度学习的监督分割模型已经达到了最先进的性能，但其中大多数都受到限制，因为它们使用像素损失函数进行训练，而没有几何约束。受欧拉弹性模型和最近引入深度学习领域的活动轮廓模型的启发，我们提出了一种新型的具有弹性（ACE）损失函数的活动轮廓，该函数将弹性（曲率和长度）和区域信息作为图像分割任务的几何自然约束。我们引入平均曲率，即所有主曲率的平均值，作为在ACE损失函数中表示曲率之前更有效的图像。此外，基于平均曲率的定义，我们提出了一个快速的解决方案，以近似的ACE损失在三维（3D）使用拉普拉斯算子的三维图像分割。我们评估我们的ACE损失函数在四个2D和3D自然和生物医学图像数据集。我们的研究结果表明，建议的损失函数优于其他主流的损失函数在不同的分割网络。我们的源代码可以在https://github.com/HiLab-git/ACELoss上找到。
2020-11-01 cs.CV eess.IV
Offset Curves Loss for Imbalanced Problem in Medical Segmentation
University of Arkansas（阿肯色大学）；Carnegie Mellon University（卡内基梅隆大学）
医学图像分割在医学分析中起着重要的作用，并在许多临床应用中得到了广泛的发展。基于深度学习的方法在语义分割方面取得了很高的性能，但它们仅限于像素设置和不平衡的类数据问题。在本文中，我们通过开发一种新的基于深度学习的模型来解决这些限制，该模型考虑了较高的特征级别（即轮廓内的区域），中间特征级别（即轮廓周围的偏移曲线）和较低的特征级别（即轮廓）。我们提出的偏移曲线（OsC）损失由三个主要拟合项组成。第一个拟合项侧重于像素级分割，而第二个拟合项充当关注边界（偏移曲线）周围区域的注意力模型。第三项起着正则化项的作用，它考虑了边界的长度。我们评估了我们提出的2D网络和3D网络上的OsC损失。两个常见的医疗数据集，即视网膜DRIVE和脑肿瘤BRATS 2018数据集，用于对我们提出的损失性能进行基准测试。实验表明，我们提出的OsC损失函数在最常见的分割网络Unet、FCN上的性能优于其他主流损失函数，例如交叉熵、Dice、Focal。
2020-12-04 cs.CV eess.IV
HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images
National University of Sciences and Technology (NUST)（国立科技大学（NUST））
医学图像分割有助于计算机辅助诊断、手术和治疗。数字化组织切片图像用于分析和分割腺体、细胞核和其他生物标志物，这些生物标志物进一步用于计算机辅助医疗应用。为此，许多研究人员开发了不同的神经网络来对组织学图像进行分割，这些网络大多基于编码器-解码器架构，并且还利用复杂的注意力模块或Transformers。然而，这些网络在多个尺度上准确地捕获相关的局部和全局特征时不太准确，因此，我们提出了编码器-解码器网络，快速注意模块和多损失函数（二进制交叉熵（BCE）损失，焦点损失和骰子损失的组合）。我们在两个公开的医学图像分割数据集MoNuSeg和GlaS上评估了我们提出的网络的泛化能力，并在MoNuSeg数据集上提高了1.99%，在GlaS数据集上提高了7.15%，优于最先进的网络。实现代码可在以下链接获得：https://bit.ly/HistoSeg
2022-09-01 cs.CV eess.IV
Enhancing Foreground Boundaries for Medical Image Segmentation
NVIDIA（英伟达）
目标分割在现代医学图像分析中起着重要的作用，对临床研究、疾病诊断、手术规划等都有重要意义。鉴于医学图像的各种模态，自动或半自动分割方法已被用于识别和解析器官、骨骼、肿瘤和其他感兴趣区域（ROI）。然而，这些当代的分割方法往往无法预测的ROI的边界区域，因为模糊的外观对比度在成像过程中造成的。为了进一步提高边界区域的分割质量，我们提出了边界增强损失，以加强对优化机器学习模型的额外约束。所提出的损失函数是轻量级的，易于实现，无需任何预处理或后处理。我们的实验结果验证了我们的损失函数在分割精度方面优于或至少与其他最先进的损失函数相当。
2020-05-29 cs.CV eess.IV
On Mathews Correlation Coefficient and Improved Distance Map Loss for Automatic Glacier Calving Front Segmentation in SAR Imagery
Friedrich-Alexander University Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
极地冰盖的绝大多数出口冰川和冰流都终止于海洋。在过去几十年里，通过冰川崩解进入海洋的冰量损失增加了。关于冰解前缘位置的时间变化的信息提供了关于冰川和冰流状态的基本信息，这些信息可以用作校准和验证数据，以增强冰动力学建模。为了自动识别产犊前缘位置，可以使用基于深度神经网络的语义分割流水线来描绘所获取的SAR图像。然而，极端的类不平衡是非常具有挑战性的准确产犊前分割在这些图像。因此，我们建议使用马修斯相关系数（MCC）作为早期停止标准，因为它的对称性和对类不平衡的不变性。此外，我们提出了一个改进的距离映射为基础的二进制交叉熵（BCE）损失函数。距离图为损失函数添加了关于重要分割区域的上下文，并有助于解释不平衡的数据。使用Mathews相关系数作为早期停止，与常用的BCE相比，平均提高了15%的骰子系数。修改后的距离图损失进一步提高了分割性能的另一个2%。这些结果是令人鼓舞的，因为它们支持所提出的方法的有效性的分割问题遭受极端类不平衡。
2021-03-09 cs.CV eess.IV
Region-wise Loss for Biomedical Image Segmentation
A.I. Virtanen Institute for Molecular Sciences（A.I.维尔塔宁分子科学研究所）；University of Eastern Finland（东芬兰大学）
我们提出了区域（RW）损失的生物医学图像分割。区域损失是通用的，可以同时考虑类不平衡和像素重要性，并且可以很容易地实现为softmax输出和RW map之间的像素乘法。我们表明，在建议的RW损失框架下，某些损失函数，如活动轮廓和边界损失，可以重新制定类似的适当RW地图，从而揭示其潜在的相似性和一个新的角度来理解这些损失函数。我们调查所观察到的优化不稳定性所造成的某些RW地图，如边界损失距离地图，我们引入了一个接地的原则，以避免这种不稳定性。这个原则对任何数据集都有很好的适应性，实际上可以确保收敛，而无需额外的正则化项或优化技巧。遵循这一原则，我们提出了一个简单版本的边界距离地图，称为整流区域（RRW）地图，正如我们在实验中所证明的那样，在三个不同的分割任务中，Dice系数和Hausdorff距离与Dice，Focal，加权交叉熵和边界损失相似或更好，实现了最先进的性能。我们量化了边界损失距离图提供的优化不稳定性，我们的经验表明，我们的RRW地图是稳定的优化。运行我们所有实验的代码可在https://github.com/jmlipman/RegionWiseLoss上公开获得。
2022-03-29 cs.CV eess.IV
Mumford-Shah Loss Functional for Image Segmentation with Deep Learning
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
由于深度神经网络的高性能和快速计算时间，最近最先进的图像分割算法大多基于深度神经网络。然而，这些方法通常以监督的方式进行训练，这需要大量高质量的地面实况分割掩码。另一方面，经典的图像分割方法，如水平集方法，制定了一个自我监督的方式，通过最小化能量函数，如Mumford-Shah功能，所以他们仍然是有用的，以帮助生成没有标签的分割掩模。然而，这些算法通常计算量大，并且在语义分割方面存在局限性。在本文中，我们提出了一种新的损失函数的基础上Mumford-Shah功能，可用于基于深度学习的图像分割没有或小标记数据。这个损失函数是基于这样的观察，即深度神经网络的softmax层与Mumford-Shah泛函中的特征函数具有惊人的相似性。我们表明，新的损失函数，使半监督和无监督分割。此外，我们的损失函数也可以用来作为一个正则化函数，以加强监督语义分割算法。在多个数据集上的实验结果证明了该方法的有效性。
2019-09-09 cs.CV cs.LG stat.ML
Complex Wavelet Mutual Information Loss: A Multi-Scale Loss Function for Semantic Segmentation
提出复小波互信息（CWMI）损失函数，利用复可操纵金字塔分解的子带图像互信息，以极低计算开销有效捕获多尺度方向特征，显著提升了语义分割的像素级精度与拓扑指标。
2025-05-28 cs.CV eess.IV
Cell image segmentation by Feature Random Enhancement Module
Meijo University（名城大学）
为了实现高精度的语义分割，使用编码器提取好的特征是很重要的。虽然在训练深度神经网络时对损失函数进行了优化，但距离计算损失函数的层较远的层很难进行训练。跳过连接对这个问题是有效的，但仍然有远离损失函数的层。在本文中，我们提出了特征随机增强模块，仅在训练中随机增强特征。通过强调远离损失函数的层的特征，可以很好地对这些层进行训练，从而提高了分类精度。在实验中，我们对两种细胞图像数据集进行了评估，我们的模块在测试阶段在不增加计算成本的情况下提高了分割精度。
2021-01-20 cs.CV eess.IV
Locally Adaptive Learning Loss for Semantic Image Segmentation
Beijing NetPosa Technologies Co., Ltd.（北京网罗科技有限公司）；Institut National des Sciences Appliquées de Lyon（里昂应用科学学院）
我们提出了一种新的局部自适应学习估计器，用于增强深度神经网络的内部和内部区分能力，它可以用作语义图像分割任务的改进损失层。大多数损失层计算特征图和地面实况之间的像素成本，忽略空间布局和具有相同对象类别的相邻像素之间的交互，因此网络不能有效地对类内连接敏感。该方法首先对预测特征图进行自适应池化滤波操作，目的是合并一小组具有相同类别的相邻像素的预测分布，然后计算合并后的分布向量与其类别标签之间的成本。这样的设计可以使来自相同类别的相邻预测的组参与关于其类别的预测正确性的估计，并且因此训练网络以基于其类别对相邻像素之间的区域连接更敏感。在Pascal VOC 2012分割数据集上的实验中，一致改进的结果表明，我们提出的方法实现了比以前的同行更好的分割掩模。
2018-04-16 cs.CV cs.LG
First arrival picking using U-net with Lovasz loss and nearest point picking method
University of Houston（休斯顿大学）；Advanced Geophysical Technology Inc（先进地球物理技术公司）
针对地震信号处理中的初至拾取问题，提出了一种鲁棒的分割拾取流程。与传统的分类算法不同，图像分割方法通过输出与输入图像大小相同的预测图来利用位置信息。为了进一步提高初至拾取的精度，提出了一种无参数最近点拾取算法。用合成的干净数据、合成的噪声数据、合成的拾取-断开数据和现场数据对算法进行了测试。该算法在所有接收机上都有很好的性能，每个接收机的拾取误差最低可达4.8ms。将初至波拾取问题转化为轮廓检测问题。与\cite{wu2019semi}类似，我们使用U-网来执行分割，因为它在许多图像分割任务中被证明是最先进的。特别地，使用Lovasz损失代替传统的交叉熵损失来训练网络以获得更好的分割性能。Lovasz损失是Jaccard指数的替代损失或所谓的交集（IoU）得分，这通常是分割任务中最常用的指标之一。在拾取部分，我们使用了一种新的最近点拾取（NPP）方法，以利用相邻接收机之间的初至拾取的相干性。我们的模型进行了测试和验证合成和现场数据与谐波噪声。本文的主要贡献如下：1.使用Lovasz损失直接优化分割任务的IoU。测试结果验证了该方法在分割精度方面对交叉熵损失的改善。2.提出了一种最近点拾取后处理方法，以克服分割输出中的任何缺陷。3.进行噪声分析，并使用噪声合成数据集和现场数据集验证模型。
2021-04-06 cs.CV eess.IV
Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation
King's College London（伦敦国王学院）；Imperial College London（帝国理工学院）
本文提出边缘L1平均校准误差（mL1-ACE）作为辅助损失函数，通过直接可微的硬分箱改善医学图像分割的逐像素校准，在保持分割质量的同时显著降低校准误差。
2025-07-14 cs.CV cs.LG
Adversarial Loss for Semantic Segmentation of Aerial Imagery
Eindhoven University of Technology（埃因霍温理工大学）
从航空图像中自动提取建筑物在城市规划、灾害管理和变化检测中有多种应用。近年来，一些作品采用深度卷积神经网络（CNN）进行建筑物提取，因为它们产生了丰富的特征，这些特征对照明条件，阴影等是不变的。大多数深度学习分割方法在不了解上下文的情况下，相对于地面真实值优化了每像素损失。这通常会导致不完美的输出，从而可能导致缺失或未细化的区域。在这项工作中，我们提出了一种新的损失函数，结合了对抗性和交叉熵损失，学习理解语义分割的局部和全局上下文。部署在DeepLab v3+网络上的新提出的损失函数在马萨诸塞州建筑数据集上获得了最先进的结果。损失函数改进了结构并细化了建筑物的边缘，而不需要任何常用的后处理方法，如条件随机场。我们还进行消融研究，以了解对抗性损失的影响。最后，该方法在马萨诸塞州建筑数据集上获得了95.59%的宽松F1分数，而之前的最佳F1分数为94.88%。
2020-01-18 cs.CV eess.IV
Deep Distance Map Regression Network with Shape-aware Loss for Imbalanced Medical Image Segmentation
Beijing Institute of Technology（北京理工大学）；School of Computer Science（计算机学院）；Beijing Lab of Intelligent Information Technology（北京智能信息技术实验室）；Chinese Academy of Medical Sciences（北京协和医学院（中国医学科学院））
针对医学图像小目标分割受二值掩膜限制的问题，提出融合二值分割网络与轻量回归网络LR-Net的形状感知损失距离图回归分割框架，在LiTS等数据集上性能优于现有方法。
2025-01-15 cs.CV eess.IV
PICS in Pics: Physics Informed Contour Selection for Rapid Image Segmentation
本文提出物理信息轮廓选择算法 PICS，用三次样条替代深度网络并直接最小化基于区域的损失，结合非稳态 PDE 建模与迁移学习，实现无需标注的快速三维医学图像分割。
2023-11-13 cs.CV cs.LG
FocusNet++: Attentive Aggregated Transformations for Efficient and Accurate Medical Image Segmentation
University of Glasgow（格拉斯哥大学）；University of York（约克大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；NAAMII
我们提出了一种新的卷积神经网络残差块，并证明了其在医学图像分割中的最新性能。我们将注意力机制与组卷积相结合，创建了我们的组注意力机制，它构成了我们的网络FocusNet++的基本构建块。我们采用基于平衡交叉熵，Tversky损失和自适应对数损失的混合损失，以提高性能，以及快速收敛。我们的研究结果表明，FocusNet++在ISIC 2018黑色素瘤分割和细胞核分割数据集的各种基准指标上实现了最先进的结果，参数和FLOP更少。
2021-04-07 cs.CV eess.IV
CNN-based Semantic Segmentation using Level Set Loss
KAIST（韩国科学技术院）
近年来，卷积神经网络在语义分割中得到了广泛的应用。然而，由于基于CNN的分割网络产生具有丰富语义信息的低分辨率输出，因此空间细节（例如，分割结果的小边界和精细边界信息）将丢失。为了解决这个问题，由图像分割的变分方法（即，水平集理论），我们提出了一种新的损失函数称为水平集损失，其被设计用于细化分割结果的空间细节。为了处理图像中的多个类，我们首先将地面真值分解为二进制图像。注意，每个二值图像由背景和属于一个类的区域组成。然后，我们将水平集函数转换为类概率图，并计算每个类的能量。训练网络以最小化水平集损失和交叉熵损失的加权和。所提出的水平集损失以时间和存储器有效的方式改善分割结果的空间细节。此外，我们的实验结果表明，所提出的损失函数实现了更好的性能比以前的方法。
2019-10-02 cs.CV
An Uncertainty-Aware Loss Function Incorporating Fuzzy Logic: Application to MRI Brain Image Segmentation
Department of Mathematics, Bareilly College, Bareilly (MJP Rohilkhand University), Uttar Pradesh（巴里利学院数学系，巴里利（MJP罗希尔坎德大学），乌塔尔 Pradesh）；CSIR-Central Electronics Engineering Research Institute, Pilani, Rajasthan（CSIR-中央电子工程研究机构，比兰蒂，拉贾斯坦）；CICMR, Regional Medical Research Center, Dibrugarh, India（CICMR，迪布格尔中心医学研究中心，印度）；Department of Statistics, Bareilly College, Bareilly, Uttar Pradesh（巴里利学院统计系，巴里利，乌塔尔 Pradesh）
本文提出一种融合模糊逻辑的损失函数，用于解决MRI脑图像分割中的不确定性问题，通过结合分类交叉熵和模糊熵，提升分割性能和模型预测可靠性。
2026-04-13 cs.AI cs.CV cs.LG
Active Boundary Loss for Semantic Segmentation
State Key Lab of CAD&CG, Zhejiang University（浙江大学CAD&CG国家重点实验室）；Alibaba Inc（阿里巴巴公司）；Clemson University（克莱姆森大学）
本文提出了一种新的主动边界损失的语义分割。它可以在端到端训练期间逐步鼓励预测边界和地面实况边界之间的对齐，这在常用的交叉熵损失中没有明确实施。基于使用当前网络参数从分割结果中检测到的预测边界，我们将边界对齐问题表示为可微方向向量预测问题，以指导每次迭代中预测边界的移动。我们的损失是模型不可知的，可以插入分割网络的训练中，以改善边界细节。实验结果表明，在具有挑战性的图像和视频对象分割数据集上，使用主动边界丢失进行训练可以有效地提高边界F值和平均Intersection-over-Union。
2022-02-03 cs.CV
Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation
University of Cambridge（剑桥大学）；Imperial College London（帝国理工学院）；University of Salerno（萨勒诺大学）
Dice相似系数（DSC）是生物医学图像分割中广泛使用的度量和损失函数，因为它对类别不平衡具有鲁棒性。然而，众所周知，DSC损失校准不良，导致过度自信的预测，不能在生物医学和临床实践中有效地解释。性能通常是用于评估深度神经网络产生的分割的唯一指标，而校准往往被忽视。然而，校准对于转化为生物医学和临床实践非常重要，为科学家和临床医生解释模型预测提供了关键的上下文信息。在这项研究中，我们提供了一种简单而有效的DSC损失扩展，称为DSC++损失，它选择性地调节与过度自信，不正确的预测相关的惩罚。作为一个独立的损失函数，DSC++损失在六个经过充分验证的开源生物医学成像数据集（包括2D二进制和3D多类分割任务）上实现了比传统DSC损失显著改进的校准。同样，我们观察到显着改善校准时，集成的DSC++损失到四个DSC为基础的损失函数。最后，我们使用softmax阈值来说明校准良好的输出可以定制召回精度偏差，这是一种重要的后处理技术，可以调整模型预测以适应生物医学或临床任务。DSC++损失克服了DSC损失的主要限制，为训练用于生物医学和临床实践的深度学习分割模型提供了合适的损失函数。源代码可在https://github.com/mlyg/DicePlusPlus上获得。
2022-11-01 cs.AI cs.CV eess.IV
SEMEDA: Enhancing Segmentation Precision with Semantic Edge Aware Loss
Sorbonne Université（索邦大学）
虽然现在深度神经网络在语义分割任务上取得了令人印象深刻的性能，但它们通常是通过优化像素损失（如交叉熵）来训练的。因此，这种网络输出的预测通常很难准确地捕捉对象边界，并在对象内部显示出漏洞。在本文中，我们提出了一种新的方法来改善预测分割掩模的结构。我们介绍了一种新的语义边缘检测网络，它允许匹配的预测和地面真相分割掩模。这种语义边缘感知策略（SEMEDA）可以与端到端训练框架中的任何骨干深度网络相结合。通过对Pascal VOC 2012和Cityscapes数据集的全面实验验证，我们表明，所提出的SEMEDA方法通过强制执行尖锐边界和避免对象内部的不连续性来增强预测分割掩码的结构，从而提高分割性能。此外，我们的语义边缘感知损失可以集成到任何流行的分割网络中，而不需要任何额外的注释，并且与标准像素交叉熵损失相比，计算负载可以忽略不计。
2019-05-06 cs.CV
Normalized Cut Loss for Weakly-supervised CNN Segmentation
Disney Research（迪士尼研究院）；University of Waterloo（滑铁卢大学）
最新的语义分割方法训练深度卷积神经网络，具有完全注释的掩码，需要像素精度以获得高质量的训练。常见的弱监督方法使用标准的交互式分割方法作为预处理，从部分输入（例如，涂鸦或种子）生成完整的掩码。但是，由于标准损失函数（例如交叉熵）不能将种子与潜在的错误标记的其他像素区分开，因此这种掩模中的错误导致较差的训练。受半监督学习一般思想的启发，我们通过一种新的原则性损失函数来评估网络输出，并以"浅"分割为标准，如归一化割，来解决这些问题。与之前的工作不同，我们损失的交叉熵部分仅评估标签已知的种子，而归一化切割软评估所有像素的一致性。我们专注于归一化的截止损失，其中密集高斯内核是有效地实现在线性时间内的快速双边滤波。我们的归一化切损分割方法使弱监督训练的质量显着接近完全监督方法。
2018-04-04 cs.CV
A Novel Focal Tversky loss function with improved Attention U-Net for lesion segmentation
Ryerson University（瑞尔森大学）
针对医学图像分割中的数据不平衡问题，提出了一种基于Tversky指数的广义焦点损失函数。与常用的Dice损失相比，我们的损失函数在对病变等小结构进行训练时，在准确率和召回率之间实现了更好的权衡。为了评估我们的损失函数，我们改进了注意力U-网络模型，通过加入图像金字塔来保留上下文特征。我们在BUS 2017数据集和ISIC 2018数据集上进行了实验，其中病变分别占图像面积的4.84%和21.4%，与标准U-Net相比，分割精度分别提高了25.7%和3.6%。
2018-10-18 cs.CV
Learning to Look Closer: A New Instance-Wise Loss for Small Cerebral Lesion Segmentation
Institute for Anthropomatics and Robotics (IAR), Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院人机交互与机器人研究所 (IAR)）
本文提出CC-DiceCE损失函数，通过实例级评估提升小病变分割检测率，同时保持分割性能，多数据集实验显示其优于现有blob损失。
2026-04-06 cs.CV
Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation
University of Cambridge（剑桥大学）；Imperial College London（帝国理工学院）
手动分割被用作评估神经网络自动图像分割任务的黄金标准。由于在形状，颜色和纹理的相当大的异质性，标定对象的边界是特别困难的生物医学图像，导致显着的评级者之间和内部的变化。软标签和距离惩罚项等方法将全局变换应用于地面实况，重新定义关于不确定性的损失函数。然而，全局操作在计算上是昂贵的，并且这两种方法都不能准确地反映手动注释的不确定性。在本文中，我们提出了边界不确定性，它使用形态学操作来限制对象边界的软标签，提供了一个适当的表示地面真实标签的不确定性，并可能适用于使系统的手动分割错误存在鲁棒的模型训练。我们将边界不确定性与骰子损失相结合，与软标签和距离加权惩罚相比，在三个经过充分验证的生物医学成像数据集上实现了持续改进的性能。边界不确定性不仅更准确地反映了分割过程，而且它也是有效的，对分割错误具有鲁棒性，并具有更好的泛化能力。
2021-10-31 cs.AI cs.CV eess.IV
Polynomial Dice Loss for Medical Image Segmentation
Graduate School of Advanced Science；Engineering Hiroshima University Higashi-Hiroshima, Japan
提出多项式Dice损失，通过泰勒展开将Dice损失表示为多项式形式，调整高阶分量贡献，以应对数据不平衡和小病灶检测挑战，在多个分割任务中取得竞争性能。
2026-06-23 cs.CV
3D Segmentation with Exponential Logarithmic Loss for Highly Unbalanced Object Sizes
IBM Research – Almaden Research Center（IBM研究公司——阿尔马登研究中心）
随着全卷积神经网络的引入，深度学习在速度和准确性方面提高了医学图像分割的基准，并且已经提出了用于2D和3D分割的不同网络，并取得了可喜的结果。然而，大多数网络只处理相对少量的标签（<10），并且在处理高度不平衡的对象大小方面的工作非常有限，特别是在3D分割中。在本文中，我们提出了一个网络架构和相应的损失函数，提高分割非常小的结构。通过将跳过连接和深度监督与3D分割的计算可行性相结合，我们提出了一种快速收敛且计算效率高的网络架构，用于精确分割。此外，受焦点损失概念的启发，我们提出了一个指数对数损失，它不仅通过它们的相对大小，而且通过它们的分割难度来平衡标签。我们在20个标签的大脑分割上实现了82%的平均Dice系数，最小与最大对象尺寸的比率为0.14%。达到这样的精度需要不到100个epoch，分割128x128x128体积只需要大约0.4秒。
2018-09-24 cs.CV
Contour Loss for Instance Segmentation via k-step Distance Transformation Image
School of Artificial Intelligence, University of Chinese Academy of Sciences (UCAS)（中国科学院大学人工智能学院）；Institute of Automation Chinese Academy of Sciences (CASIA)（中国科学院自动化研究所）；College of Information Science and Technology, Beijing University of Chemical Technology (BUCT)（北京化工大学信息科学与技术学院）
实例分割的目的是在图像中定位目标，并在像素级上分割出每个目标区域，是计算机视觉中最重要的任务之一。Mask R-CNN是一种经典的实例分割方法，但我们发现其预测的Mask在轮廓附近不清晰、不准确。针对这一问题，本文借鉴基于距离变换图像的轮廓匹配思想，提出了一种新的损失函数，称为轮廓损失。轮廓损失的目的是专门优化的预测面具的轮廓部分，从而可以确保更准确的实例分割。为了使提出的轮廓损失能够在现代神经网络框架下进行联合训练，我们设计了一个可微的k步距离变换图像计算模块，可以在线近似计算预测掩模和相应的地面真实掩模的截断距离变换图像。提出的轮廓损失可以集成到Mask R-CNN等现有的实例分割方法中，并与其原有的损失函数相结合，无需修改推理网络结构，具有较强的通用性。在COCO上的实验结果表明，轮廓丢失是有效的，可以进一步提高实例分割的性能。
2021-02-22 cs.CV
Multiplicative Loss for Enhancing Semantic Segmentation in Medical and Cellular Images
Meijo University（立命馆大学）
提出乘法损失及置信度自适应乘法损失，通过乘法组合交叉熵与Dice损失并动态调节梯度，在数据稀缺的医学和细胞图像分割中优于现有方法。
2025-10-14 cs.CV
Structured Consistency Loss for semi-supervised semantic segmentation
SNUAILAB（首尔大学人工智能实验室）；Seoul National Univ.（首尔大学）；KyeongBook Univ.（庆北大学）
一致性损失是近年来半监督学习研究中解决问题的关键。然而，现有的研究与一致性损失仅限于其应用于分类任务;现有的研究半监督语义分割依赖于像素分类，这并不反映结构化的性质的特征预测。我们提出了一个结构化的一致性损失，以解决现存研究的这一局限性。结构化一致性损失促进教师和学生网络之间像素间相似性的一致性。具体来说，与CutMix的合作通过显著降低计算负担来优化具有结构化一致性损失的半监督语义分割的高效性能。在Cityscapes上验证了所提方法的优越性，Cityscapes的基准测试结果（包括验证和测试数据）分别为81.9 mIoU和83.84 mIoU。这在Cityscapes基准测试套件的像素级语义标记任务中排名第一。据我们所知，我们是第一个提出最先进的半监督学习在语义分割的优势。
2021-11-22 cs.CV
On Regularized Losses for Weakly-supervised CNN Segmentation
University of Waterloo（滑铁卢大学）；Disney Research（迪士尼研究院）；École de Technologie Supérieure, University of Quebec（魁北克大学高等技术学院）
一般来说，最小化正则化损失是深度学习中公认的弱监督的原则性方法。然而，它在很大程度上被忽视的语义分割目前占主导地位的方法模仿充分监督通过“假”完全标记的训练掩码（建议）从可用的部分输入。为了获得这样的全掩模，典型的方法明确地使用标准正则化技术用于“浅”分割，例如图切割或密集CRF。相比之下，我们将这样的标准正则化器直接集成到部分输入上的损失函数中。这种方法通过避免额外的MRF/CRF推理步骤或显式生成完整掩码的层来简化弱监督训练，同时提高训练的质量和效率。本文提出并实验比较了不同的损失集成MRF/CRF正则化项。我们将我们的正则化损失与早期使用显式正则化步骤或层的提案生成方法并列。我们的方法在语义分割中达到了最先进的准确性，并且具有接近全监督的质量。
2018-04-10 cs.CV
Adversarial Segmentation Loss for Sketch Colorization
Hacettepe University（哈斯特帕大学）；Middle East Technical University（中东技术大学）
我们介绍了一种新的方法，从草图或边缘地图生成彩色图像。目前的方法要么需要某种形式的额外的用户指导，要么仅限于“配对”翻译方法。我们认为，分割信息可以提供有价值的指导草图彩色化。为此，我们建议利用语义图像分割，提供了一个通用的全景分割网络，以创建一个额外的对抗性损失函数。我们的损失函数可以集成到任何基线GAN模型。我们的方法并不局限于包含分割标签的数据集，它可以被训练用于“不成对”的翻译任务。我们使用定性，定量和用户研究分析，在四个不同的数据集上显示了我们的方法在室内，室外和儿童书籍插图图像场景级上的有效性。我们的模型将其基线提高到FID指标的35个点。我们的代码和预训练模型可以在https://github.com/giddyyupp/AdvSegLoss上找到。
2021-06-13 cs.CV
Improving Image co-segmentation via Deep Metric Learning
Beijing Polytechnic University（北京工业大学）
深度度量学习（DML）在计算机视觉任务中很有帮助。本文首先将DML引入图像联合分割中。本文提出了一种新的图像分割的三重损失，简称IS-三重损失，并将其与传统的图像分割损失相结合。与一般的DML任务学习图片间的度量不同，本文将每个像素作为样本，利用其在高维空间中的嵌入特征形成三元组，通过优化IS-Triplet loss，使不同类别的像素之间的距离大于同一类别的像素之间的距离，从而使不同类别的像素在高维特征空间中更容易区分。我们进一步提出了一个有效的三重采样策略，使一个可行的计算IS-三重损失。最后，IS-Triplet损失与3个传统的图像分割损失相结合，进行图像分割。我们将所提出的方法应用于图像联合分割，并在SBCoseg数据集和Internet数据集上进行了测试。实验结果表明，该方法能有效提高高维空间中像素类别的区分度，从而帮助传统的损失法在较少的训练时间内获得更好的图像分割效果。
2021-03-19 cs.AI cs.CV
Tree Energy Loss: Towards Sparsely Annotated Semantic Segmentation
Beijing Institute of Technology（北京理工大学）；MEGVII Technology（旷视科技）；Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）
稀疏注释语义分割（SASS）旨在训练具有粗粒度（即，逐点、逐涂写和逐块）监督，其中在每个图像中仅标记小比例的像素。在本文中，我们提出了一种新的树的能量损失SASS提供语义指导未标记的像素。树能量损失表示图像作为最小生成树来建模低级别和高级别的成对亲和力。通过顺序地将这些亲和度应用于网络预测，以粗到细的方式生成未标记像素的软伪标签，实现动态在线自训练。树的能量损失是有效的，很容易被纳入现有的框架相结合，它与传统的分割损失。与以前的SASS方法相比，我们的方法不需要多级训练策略，交替优化过程，额外的监督数据或耗时的后处理，同时在所有SASS设置中表现出色。代码可在https://github.com/megvii-research/TreeEnergyLoss上获得。
2022-03-22 cs.CV
Loss Functions in the Era of Semantic Segmentation: A Survey and Outlook
RWTH Aachen University（亚琛工业大学）；Iran University of Science and Technology（伊朗科技大学）；University of Regensburg（雷根斯堡大学）
本文综述图像分割中的25种损失函数，提出新分类法，并在医学与自然图像数据集上无偏评估代表性方法，指出挑战与未来方向。
2023-12-08 cs.CV
