弱监督的CNN分割的正则损失(rloss)
(Caffe和Pytorch)
为了使用弱监督(例如,涂鸦)训练CNN进行语义分割,我们提出了规则化的损失框架。 损失包括两个部分,即涂抹时的部分交叉熵(pCE)损失和正则化损失(例如DenseCRF)。
如果您在此处使用代码,请引用以下论文。
“关于弱监督的CNN分割的规则损失” ,( ,( ,( ,( ) 在2018年9月于德国慕尼黑举行的欧洲计算机视觉会议(ECCV)上。
DenseCRF丢失
要包括CNN的DenseCRF损失,请添加以下损失层。 它有两个底部斑点,第一个是RGB图像,第二个是软分割分布。 我们需要为XY(bi_xy_std)和RGB(bi_rgb_std)指定高斯内核的带宽。
layer {
bottom: "image"
bottom: "segmentation"
propagate_
1