InverseForm: Eine Verlustfunktion für strukturierte, randbewusste Segmentierung

Wir stellen eine neuartige randbewusste Verlustfunktion für die semantische Segmentierung vor, die auf einem inversen Transformationsnetzwerk basiert und effizient den Grad parametrischer Transformationen zwischen geschätzten und Zielrändern lernt. Dieser plug-in-Verlust ergänzt die Kreuzentropie-Verlustfunktion hinsichtlich der Erfassung von Randtransformationen und ermöglicht eine konsistente und signifikante Leistungssteigerung bei Segmentierungs-Backbone-Modellen, ohne deren Größe oder rechnerische Komplexität zu erhöhen. Wir analysieren die quantitative und qualitative Wirkung unserer Verlustfunktion an drei Innen- und Außenraum-Segmentierungsbenchmarks, darunter Cityscapes, NYU-Depth-v2 und PASCAL, und integrieren sie in das Trainingsverfahren mehrerer Backbone-Netzwerke sowohl in Einzelaufgaben- als auch in Mehraufgaben-Szenarien. Unsere umfangreichen Experimente zeigen, dass die vorgeschlagene Methode konsistent die Baseline-Methoden übertrifft und sogar auf zwei Datensätzen den neuen State-of-the-Art etabliert.