Multi-view Contrastive Learning with Additive Margin for Adaptive Nasopharyngeal Carcinoma Radiotherapy Prediction
The Hong Kong Polytechnic University（香港理工大学）；Research Institute for Smart Ageing, The Hong Kong Polytechnic University（香港理工大学智慧老龄研究学院）；Nantong University（南通大学）
鼻咽癌放疗前适应性放疗的预测对降低放疗毒副反应、延长生存期具有重要意义。目前，由于肿瘤微环境的复杂性，单一类型的高分辨率图像只能提供有限的信息。同时，传统的基于softmax的损失不足以量化模型的区分能力。为了克服这些挑战，我们提出了一个监督的多视图对比学习方法与附加的利润（MMCon）。对于每个病人，四个医学图像被认为是形成多视图的积极对，这可以提供额外的信息和增强的医学图像的表示。此外，通过对比学习来学习嵌入空间。来自同一患者或具有相似标记的NPC样本将在嵌入空间中保持接近，而具有不同标记的NPC样本将远离。为了提高损失函数的区分能力，我们在对比学习中加入了一个边界。实验结果表明，这种新的学习目标可以用来找到一个嵌入空间，表现出优越的识别能力的NPC图像。
2022-10-27 cs.CV
KappaFace: Adaptive Additive Angular Margin Loss for Deep Face Recognition
Sungkyunkwan University（成均馆大学）
针对深度人脸识别中的类别不平衡问题，提出 KappaFace 自适应加性角度间隔损失，依据类别难度与集中度动态调节间隔，并在多个基准上超越现有方法。
2023-12-06 cs.CV
Noise-Adaptive Regularization for Robust Multi-Label Remote Sensing Image Classification
Burgert et al.（Burgert 等）
本文提出了一种噪声自适应正则化方法NAR，通过区分加性噪声和减性噪声，提升遥感多标签分类的鲁棒性，实验表明在不同噪声场景下均优于现有方法。
2026-06-04 cs.CV cs.LG
Deep Ranking with Adaptive Margin Triplet Loss
University of Siegen（锡根大学）
我们提出了一个简单的修改，从一个固定的利润率三重损失的自适应利润率三重损失。虽然原始的三元组损失被广泛用于分类问题，如人脸识别，人脸重新识别和细粒度相似性，我们提出的损失是非常适合的评级数据集，其中评级是连续值。与我们必须仔细采样数据的原始三元组损失相反，在out方法中，我们可以使用整个数据集生成三元组，并且优化仍然可以收敛，而不会经常遇到模型崩溃问题。自适应余量在训练之前只需要计算一次，这比在固定余量情况下在每个时期之后生成三元组要便宜得多。除了大幅提高训练稳定性（与现有的三重损失训练崩溃的几次相比，我们提出的模型在我们的实验中从未崩溃）之外，我们在各种评级数据集和网络架构上实现了比原始三重损失略好的性能。
2021-07-13 cs.CV cs.LG
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Imperial College London（伦敦帝国理工学院）；InsightFace；University of Nottingham（诺丁汉大学）；Cogitat
最近，人脸识别中的一个热门研究方向是在成熟的softmax损失函数中采用边缘来最大化类别可分性。在本文中，我们首先介绍了一个附加的角度边际损失（ArcFace），它不仅有一个明确的几何解释，但也显着提高了区分能力。由于ArcFace容易受到大量标签噪声的影响，我们进一步提出了子中心ArcFace，其中每个类包含$K$子中心，训练样本只需要靠近任何一个$K$正子中心。子中心ArcFace鼓励一个包含大多数干净面的主导子类和包括硬或嘈杂面的非主导子类。基于这种自推进的隔离，我们通过在大量真实世界噪声下自动净化原始网页来提高性能。除了鉴别特征嵌入，我们还探索了逆问题，将特征向量映射到人脸图像。在不训练任何额外的生成器或训练器的情况下，预先训练的ArcFace模型仅通过使用网络梯度和批量归一化（BN）先验就可以为训练数据内部和外部的受试者生成身份保留的人脸图像。大量的实验表明，ArcFace可以增强鉴别特征嵌入以及加强生成式人脸合成。
2022-09-04 cs.CV
Adaptive Additive Parameter Updates of Vision Transformers for Few-Shot Continual Learning
Department of Intelligent Systems and Robotics, University of West Florida（智能系统与机器人系，西佛罗里达大学）；Florida Institute For Human and Machine Cognition (IHMC)（佛罗里达人类与机器认知研究所）；Center for Cybersecurity, University of West Florida（网络安全中心，西佛罗里达大学）
本文提出一种基于冻结视觉Transformer和加性参数更新的少样本类别增量学习方法，仅微调自注意力模块中的少量可训练参数，在适应新类别的同时有效缓解灾难性遗忘和过拟合，并在基准数据集上取得最先进性能。
2025-05-04 cs.CV
Long-Tailed Classification with Gradual Balanced Loss and Adaptive Feature Generation
Huazhong University of Science and Technology（华中科技大学）
现实世界的数据分布本质上是长尾的，这对深度模型提出了巨大的挑战。在这项工作中，我们提出了一种新的方法，渐进平衡损失和自适应特征生成器（GLAG），以减轻不平衡。GLAG首先学习一个平衡和鲁棒的特征模型与渐进平衡损失，然后修复特征模型，并在特征级别上用来自良好表示的头部类的知识来增强未充分表示的尾部类。在训练时期，生成的样本与真实的训练样本混合。渐进平衡损失是一种通用的损失，它可以与不同的解耦训练方法相结合，以提高原有的性能。在CIFAR 100-LT、ImageNetLT和iNaturalist等长尾数据集上取得了最先进的结果，证明了GLAG在长尾视觉识别中的有效性。
2022-02-28 cs.CV cs.LG
Adaptive Loss-aware Quantization for Multi-bit Networks
ETH Zurich（苏黎世联邦理工学院）；Singapore Management University（新加坡管理大学）
我们通过将其权重和激活量化为多个二进制基（称为多位网络（MBN））来研究深度神经网络的压缩，这加速了推理并减少了在低资源移动和嵌入式平台上部署的存储。我们提出了自适应损失感知量化（ALQ），一个新的MBN量化流水线，能够实现平均位宽低于一位，而不会显着损失的推理精度。与先前的MBN量化解决方案（其通过最小化误差来训练量化器以重构全精度权重）不同，ALQ直接最小化损失函数上的量化引起的误差，其既不涉及梯度近似也不涉及全精度维持。ALQ还利用了自适应位宽、平滑位宽减少和迭代训练量化等策略，以允许更小的网络大小而不损失准确性。在流行的图像数据集上的实验结果表明，ALQ在存储和准确性方面优于最先进的压缩网络。代码可在https://github.com/zqu1992/ALQ上获得
2020-07-04 cs.CV cs.LG
A Sub-band Approach to Deep Denoising Wavelet Networks and a Frequency-adaptive Loss for Perceptual Quality
AAC Technologies（AAC科技）
在本文中，我们提出了两个贡献的神经网络为基础的去噪。首先，我们建议将单独的卷积层应用于离散小波变换（DWT）的每个子带，而不是将所有子带连接起来并应用单个卷积层的DWT的常见用法。我们表明，我们的方法使用离散小波变换在神经网络显着提高了准确性，由于保持子带顺序未损坏之前逆离散小波变换。我们的第二个贡献是基于频域中前k %错误的去噪损失。用这种损失训练的神经网络自适应地关注在每次迭代中最不能恢复的频率。我们表明，这种损失的结果到更好的感知质量，提供一个图像，更平衡的频率分量的误差。
2021-02-16 cs.CV cs.LG
Boosting Few-Shot Learning With Adaptive Margin Loss
Peking University（北京大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Queen Mary University of London（伦敦玛丽女王大学）；National University of Singapore（新加坡国立大学）
少样本学习（FSL）近年来引起了越来越多的关注，但仍然具有挑战性，因为学习从几个例子中概括的内在困难。针对少样本学习问题，提出了一种自适应间隔原则来提高基于度量的元学习方法的泛化能力。具体来说，我们首先开发了一个类相关的附加边际损失，其中每对类之间的语义相似性被认为是从相似的类中分离特征嵌入空间中的样本。此外，我们将所有类之间的语义上下文在一个采样的训练任务，并开发一个任务相关的附加利润损失，以更好地区分样本从不同的类。我们的自适应边缘方法可以很容易地扩展到一个更现实的广义FSL设置。大量的实验表明，该方法可以提高当前基于度量的元学习方法的性能，在标准FSL和广义FSL设置。
2020-05-28 cs.CV cs.LG stat.ML
Meta-Learning with Task-Adaptive Loss Function for Few-Shot Learning
Seoul National University（首尔大学）；Hyundai Motor Group（现代汽车集团）
在少样本学习场景中，挑战在于当每个任务只有很少的标记示例可用时，对新的未见过的示例进行概括并表现良好。模型不可知元学习（MAML）以其灵活性和对不同问题的适用性，作为少样本学习的代表性方法之一，得到了广泛的应用。然而，MAML及其变体通常采用简单的损失函数，而没有任何辅助的损失函数或正则化项，可以帮助实现更好的泛化。问题在于，每个应用和任务可能需要不同的辅助损失函数，特别是当任务是不同的和独特的。我们引入了一个新的元学习框架，该框架具有适应每个任务的损失函数，而不是试图为每个应用程序和任务手工设计辅助损失函数。我们提出的框架，命名为元学习与任务自适应损失函数（金属），证明了有效性和灵活性，在各个领域，如Few-Shot分类和Few-Shot回归。
2021-10-17 cs.CV cs.LG
Active Regression with Adaptive Huber Loss
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genova（热那亚大学）；University of Verona（维罗纳大学）
本文通过一种新的解决方案来解决标量回归问题，以精确优化一般半监督设置中的Huber损失，该解决方案结合了多视图学习和流形正则化。我们提出了一个原则性的算法，以1）避免计算昂贵的迭代方案，同时2）以数据驱动的方式调整Huber损失阈值，3）主动平衡标记数据的使用，以在训练阶段去除噪声或不一致的注释。在广泛的实验评估，处理不同的应用程序，我们评估我们的范例，这是能够结合对噪声的鲁棒性与强大的性能和低计算成本的优越性。
2016-06-26 cs.CV cs.LG
OWAdapt: An adaptive loss function for deep learning using OWA operators
University of Chile（智利大学）；Instituto Sistemas Complejos de Ingeniería (ISCI)（工程复杂系统研究所（ISCI））；Universidad de los Andes, Chile（智利洛斯安第斯大学）；Universidad Diego Portales（迭戈·波塔莱斯大学）
本文提出OWAdapt，一种基于OWA算子的模糊自适应损失函数，通过迭代加权类别级误差分量来应对类别不平衡和噪声，在二分类与多分类任务中优于交叉熵和焦点损失。
2023-10-12 cs.CV cs.LG
Additive Margin Softmax for Face Verification
UESTC（电子科技大学）；Georgia Tech（佐治亚理工学院）
在本文中，我们提出了一个概念上简单和几何可解释的目标函数，即附加的边缘Softmax（AM-Softmax），用于深度人脸验证。一般来说，人脸验证任务可以被视为一个度量学习问题，因此学习类内变化小而类间差异大的大间距人脸特征对于获得良好的性能非常重要。最近，已经提出了大裕度Softmax和角度Softmax，以乘法方式合并角度裕度。在这项工作中，我们引入了一种新的附加角裕度的Softmax损失，这是直观的吸引力和更可解释的比现有的作品。本文还强调和讨论了特征归一化的重要性。最重要的是，我们在LFW BLUFR和MegaFace上的实验表明，使用相同的网络架构和训练数据集，我们的加性边缘softmax损失始终比当前最先进的方法表现更好。我们的代码也可以在https://github.com/happynear/AMSoftmax上获得
2018-05-30 cs.CV
A General and Adaptive Robust Loss Function
Google Research（谷歌研究院）
我们给出了Cauchy/Lorentzian、Geman-McClure、Welsch/Leclerc、广义Charbonnier、Charbonnier/pseudo-Huber/L1-L2和L2损失函数的推广。通过引入鲁棒性作为连续参数，我们的损失函数允许围绕鲁棒损失最小化构建的算法被推广，这提高了基本视觉任务（如配准和聚类）的性能。将我们的损失解释为单变量密度的负对数，会产生一个一般概率分布，其中包括正态分布和柯西分布作为特殊情况。这种概率解释使得能够训练神经网络，其中损失的鲁棒性在训练期间自动自适应，这提高了基于学习的任务（例如生成图像合成和无监督单目深度估计）的性能，而不需要任何手动参数调整。
2019-04-04 cs.CV cs.LG stat.ML
Adaptive Neuron-wise Discriminant Criterion and Adaptive Center Loss at Hidden Layer for Deep Convolutional Neural Network
Hiroshima University（广岛大学）
深度卷积神经网络（CNN）已广泛用于图像分类中，并且比其他技术提供更好的分类精度。softmax交叉熵损失函数通常用于分类任务。有一些工作是在目标函数中引入额外的项进行训练，以使输出层的特征更具鉴别力。神经元判别准则通过将判别准则引入到每个特征中来使输出层中的每个神经元的输入特征具有判别性。类似地，在用于人脸识别的softmax激活函数之前的特征中引入中心损失，以使深层特征具有区分性。ReLU函数通常用于网络，作为CNN隐藏层中的活动函数。然而，观察到通过使用ReLU函数训练的深度特征不够有区分力，并且显示出细长的形状。在本文中，我们建议在输出层使用神经元判别准则，在隐藏层使用中心损失。此外，我们介绍了在线计算的平均值的每一类指数遗忘。我们分别将它们命名为自适应神经元判别准则和自适应中心损失。通过MNSIT、FashionMNIST、CIFAR10、CIFAR100和STL 10的实验，证明了自适应神经元判别准则和自适应中心丢失的集成的有效性。源代码位于https://github.com/i13abe/Adaptive-discriminant-and-center
2020-04-17 cs.CV
Target Driven Adaptive Loss For Infrared Small Target Detection
NEC Corporation（日本电气股份有限公司）
本文提出目标驱动自适应（TDA）损失，通过图像块机制和自适应调整策略增强红外小目标检测对小尺度、低对比度目标的鲁棒性，并在三个数据集上验证其优于现有损失函数。
2025-06-02 cs.CV
Adaptive Wing Loss for Robust Face Alignment via Heatmap Regression
Oregon State University（俄勒冈州立大学）；JD Digits（京东数字科技）
深度网络热图回归已经成为定位面部标志的主流方法之一。然而，很少研究热图回归的损失函数。在本文中，我们分析了人脸对齐问题中热图回归的理想损失函数性质。然后，我们提出了一种新的损失函数，称为自适应Wing损失，它能够使其形状适应不同类型的地面实况热图像素。这种适应性惩罚损失更多的前景像素，而较少的背景像素。为了解决前景和背景像素之间的不平衡，我们还提出了加权损失图，它为前景和困难的背景像素分配高权重，以帮助训练过程更多地关注对地标定位至关重要的像素。为了进一步提高人脸对齐精度，我们引入了边界预测和边界坐标CoordConv。在COFW、300W和WFLW等不同基准测试上进行的大量实验表明，我们的方法在各种评估指标上的性能都明显优于最先进的方法。此外，自适应翼损失也有助于其他热图回归任务。代码将在https://github.com/protossw512/AdaptiveWingLoss上公开。
2020-05-19 cs.CV
Adaptive Sparse Pairwise Loss for Object Re-Identification
Tsinghua University（清华大学）；Meituan Inc.（美团公司）
提出稀疏成对（SP）损失及自适应变体AdaSP损失，通过减少不相似正对并动态适应类内变化，显著提升目标重识别性能。
2023-03-31 cs.CV
Self-supervised Learning of Occlusion Aware Flow Guided 3D Geometry Perception with Adaptive Cross Weighted Loss from Monocular Videos
基于自监督深度学习的3D场景理解方法可以克服获取密集标记的地面实况的困难，并且已经取得了很多进展。然而，遮挡和移动对象仍然是一些主要的限制。在本文中，我们探讨了可学习的遮挡感知光流引导的自监督深度和相机姿态估计的自适应交叉加权损失，以解决上述限制。首先，我们探索训练可学习的遮挡掩模融合光流网络的遮挡感知光度损失的时间补充信息和相邻视图的前后一致性。在此基础上，设计了一种自适应的深度位姿损失与几何和光度误差的光流损失交叉加权方法，以区分违反静态场景假设的运动目标。我们的方法在多个任务下对KITTI，Make3D和Cityscapes数据集显示了有希望的结果。我们也表现出良好的泛化能力，在各种具有挑战性的情况下。
2021-10-22 cs.CV
Fast and Accurate Road Crack Detection Based on Adaptive Cost-Sensitive Loss Function
University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）；University of International Business and Economics（对外经济贸易大学）
计算机视觉中的许多检测问题，包括道路裂缝检测，都受到前景-背景不平衡的影响。幸运的是，对损失函数的修改似乎一劳永逸地解决了这个难题。在本文中，我们提出了一个基于像素的自适应加权交叉熵损失结合Jaccard距离，以促进高质量的像素级道路裂缝检测。我们的工作深刻地展示了损失函数对检测结果的影响，并揭示了在裂纹检测领域的复杂的连续改进。具体来说，为了验证所提出的损失的有效性，我们在四个公共数据库上进行了广泛的实验，即，CrackForest、AigleRN、Crack 360和BJN 260。与传统的加权交叉熵相比，该方法在保持测试精度的同时，显著加快了训练过程。
2021-09-14 cs.CV
ACR Loss: Adaptive Coordinate-based Regression Loss for Face Alignment
University of Denver（丹佛大学）
尽管深度神经网络在解决面部对齐问题上已经达到了合理的精度，但这仍然是一项具有挑战性的任务，特别是当我们处理面部图像、遮挡或极端头部姿势时。基于热图的回归（Heatmap-based Regression，HBR）和基于坐标的回归（Coordinate-based Regression，CBR）是人脸对齐的两种主要方法。CBR方法需要较少的计算机内存，但其性能低于HBR方法。在本文中，我们提出了一个自适应的基于坐标的回归（ACR）损失，以提高人脸对齐的CBR的准确性。受主动形状模型（ASM）的启发，我们生成平滑面部对象，这是一组与地面真实地标点相比变化较少的面部地标点。然后，我们介绍了一种方法，通过比较地面实况标志点和相应的Smooth-Face对象的分布来估计预测网络每个标志点的难度。我们提出的ACR损失可以自适应地修改其曲率和损失的影响的基础上预测的每个特征点在一个脸上的难度水平。因此，ACR损失引导网络朝向挑战点而不是更容易的点，这提高了面部对准任务的准确性。我们的广泛的评估表明，建议的ACR损失在预测各种面部图像中的面部标志点的能力。
2022-09-14 cs.CV
Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection
University of Electronic Science and Technology of China（电子科技大学）；Shenzhen Institute for Advanced Study（深圳高等研究院）
平均精度（AP）损失最近在密集目标检测任务上显示出有希望的性能。然而，从成对排序的角度来看，AP损失如何影响检测器还没有得到深入的理解。在这项工作中，我们重新审视了平均精度（AP）损失，并揭示了关键因素是在正负样本之间选择排序对。基于这一观察，我们提出了两种策略来改善AP损失。第一个是一种新的自适应成对误差（APE）损失，专注于在正负样本中对配对进行排序。此外，我们选择更准确的排名对利用归一化的排名分数和本地化分数与聚类算法。在MSCOCO数据集上进行的实验支持了我们的分析，并证明了我们所提出的方法与目前的分类和排名损失相比的优越性。该代码可在https://github.com/Xudangliatiger/APE-Loss上获得。
2022-07-25 cs.CV
Adaptive Learning for Multi-view Stereo Reconstruction
Jinggangshan University（井冈山大学）；Jinan Vocational College（济南职业学院）；Tongji University（同济大学）；Peking University（北京大学）
本文针对深度MVS损失函数研究不足的问题，提出自适应Wasserstein损失和偏移模块，在DTU等多个基准上取得最先进性能。
2024-04-08 cs.CV
Loss Function Search for Face Recognition
JD AI Research（京东人工智能研究院）；Institute of Automation, Chinese Academy of Science（中国科学院自动化研究所）
在人脸识别中，设计基于边缘的（例如，角、加性、加性角裕度）softmax损失函数在学习鉴别特征中起重要作用。然而，这些手工制作的探试法是次优的，因为它们需要花费很多精力来探索大的设计空间。最近，已经推导出用于损失函数搜索方法AM-LFS的AutoML，其利用强化学习在训练过程中搜索损失函数。但它的搜索空间复杂且不稳定，影响了它的优越性。本文首先分析了增强特征区分度的关键实际上是\textbf{how to reduce the softmax probability}。然后，我们设计了一个统一的公式，用于当前基于边际的softmax损失。因此，我们定义了一个新的搜索空间，并开发了一个奖励引导的搜索方法，自动获得最佳的候选人。各种人脸识别基准的实验结果表明，我们的方法的有效性超过国家的最先进的替代品。
2020-07-10 cs.CV
A weakly supervised adaptive triplet loss for deep metric learning
Amazon.com Services Inc（亚马逊服务公司）；University of Maryland（马里兰大学）
我们解决了视觉相似性搜索中的距离度量学习问题，定义为学习图像嵌入模型，该模型将图像投影到欧几里得空间中，在该空间中，语义和视觉相似的图像更接近，不同的图像彼此距离更远。我们提出了一种弱监督自适应三元组损失（ATL），能够捕获细粒度的语义相似性，鼓励学习的图像嵌入模型，以及跨域数据的推广。该方法使用弱标记的产品描述数据来隐式地确定细粒度的语义类，避免了需要注释大量的训练数据。我们评估亚马逊时尚检索基准和DeepFashion店内检索数据。该方法在跨域数据上将三重丢失基线的性能提高了10.6%，并且在所有评估指标上都优于最先进的模型。
2019-09-27 cs.CV
A Novel Light Field Coding Scheme Based on Deep Belief Network & Weighted Binary Images for Additive Layered Displays
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Amrita School of Computing（阿姆里塔计算学院）；Amrita Vishwa Vidyapeetham（阿姆里塔大学）
针对加法分层XR显示，本文提出结合DBN、加权二值图像与H.265的可伸缩光场表示编码框架，可自适应调节码率并保持重建质量。
2023-04-21 cs.CV eess.IV
Anticipating Traffic Accidents with Adaptive Loss and Large-scale Incident DB
National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））；Keio University（庆应义塾大学）
在本文中，我们提出了一种新的交通事故预测方法，通过（一）早期预测自适应损失（AdaLEA）和（ii）一个大规模的自注释事件数据库的预期。建议的AdaLEA允许模型随着训练的进行逐渐学习更早的预测。损失函数根据模型在每个历元的交通事故发生时间自适应地分配惩罚权重。此外，我们还建立了一个用于预测的未遂事件数据库。该数据库包含大量的交通事故视频和注释，用于两个任务的详细评估，风险预测和风险因素预测。在我们的实验结果中，我们发现我们的建议在风险预测（平均平均精度（mAP）上比之前的平均碰撞时间（ATTC）提高了6.6%，提前了2.36秒）和风险因素预测（mAP上比之前的ATTC提高了4.3%，提前了0.70秒）方面取得了最高的分数。
2018-04-08 cs.CV
AdaptiveClick: Clicks-aware Transformer with Adaptive Focal Loss for Interactive Image Segmentation
College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机与电子工程学院）；Institute for Artificial Intelligence, the University of Stuttgart（斯图加特大学人工智能学院）
AdaptiveClick提出点击感知Transformer与自适应焦点损失，解决交互式图像分割中的交互歧义，首个掩码自适应IIS框架，在九个数据集上超越现有方法。
2024-03-14 cs.AI cs.CV eess.IV
Prostate Capsule Segmentation from Micro-Ultrasound Images using Adaptive Focal Loss
Department of Physics（物理系）；Computer Science, Wilfrid Laurier University（计算机科学，威廉·劳里尔大学）
本研究针对微超声图像中前列腺包膜边界模糊问题，提出一种自适应焦点损失函数，通过动态调整困难区域权重并结合专家与非专家标注差异，在测试集上取得0.940的平均Dice系数和1.949 mm的平均豪斯多夫距离，显著提升了分割精度。
2025-09-19 cs.CV eess.IV
Penalizing small errors using an Adaptive Logarithmic Loss
University of Glasgow（格拉斯哥大学）；University of York（约克大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；NAAMII（尼泊尔应用数学与信息学研究所）
损失函数是量化预测与其对应的地面实况之间的差异的误差度量。从根本上说，它们定义了梯度下降遍历的功能景观。尽管迄今为止已经提出了许多损失函数来处理各种机器学习问题，但很少有人关注增强这些函数以更好地遍历损失情况。在本文中，我们同时和显着减轻医学图像分割中的两个突出问题，即：i）前景和背景像素之间的类不平衡和ii）差的损失函数收敛。为此，我们提出了一个自适应对数损失函数。我们将此损失函数与ISIC 2018数据集、核分割数据集以及DRIVE视网膜血管分割数据集上现有的最新技术进行了比较。我们在基准指标上衡量我们方法的性能，并展示最先进的性能。更一般地说，我们证明了我们的系统可以用作更好地训练深度神经网络的框架。
2021-04-07 cs.CV eess.IV
Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition
Chongqing University（重庆大学）
针对不平衡半监督SAR目标识别，提出基于动态能量分数的伪标签过滤和自适应损失方法，在标签稀缺与数据不平衡下实现高精度识别。
2024-11-06 cs.AI cs.CV
Adaptive Mean-Residue Loss for Robust Facial Age Estimation
Nanyang Technological University（南洋理工大学）
自动面部年龄估计在多媒体分析中具有多种现实应用，例如，视频监控和人机交互。然而，由于衰老过程的随机性和模糊性，年龄评估具有挑战性。大多数研究工作的主题，把任务作为一个年龄回归，分类和排名的问题，并不能很好地利用年龄分布表示标签的年龄歧义。在这项工作中，我们提出了一个简单而有效的损失函数的鲁棒面部年龄估计通过分布学习，即，自适应均值-残差损失，其中，均值损失惩罚估计的年龄分布的均值与地面真实年龄之间的差，而残差损失惩罚分布中动态top-K之外的年龄概率的熵。在数据集FG-NET和CLAP 2016上的实验结果验证了所提出的损失的有效性。我们的代码可在https://github.com/jacobzhaoziyuan/AMR-Loss上获得。
2022-03-31 cs.AI cs.CV eess.IV
