[작성중]Boundary Loss for highly unbalanced segmentation

Boundary loss for highly unbalanced segmentation

Widely used loss functions for CNN segmentation, e.g., Dice or cross-entropy, are based on integrals over the segmentation regions. Unfortunately, for highly unbalanced segmentations, such regional summations have values that differ by several orders of magnitude across classes, which affects training performance and stability.

https://arxiv.org/abs/1812.07032

Dice, CE loss같은 segmentation에서 널리 사용되는 loss → segmentation영역의 integrals에 기반

highly unbalanced segmentation에서는 그런 regional summation은 class값에 따라 몇배나 차이가 나고 이는 training performance와 stability에 영향을 미친다.

그러므로 regions이 아닌 contours의 영역의 distance metric의 형식을 가진 boundary loss 를 제안

regions에 대한 unbalanced integrals가 아닌 regions간의 interface에 대한 integrals를 사용함으로써→클래스 불균형 문제 완화

++ boundary loss는 regional information을 보완

computing active-contour flows를 계산하기 위한 graph-based optimization techniques에 영감을 받아,

등고선 공간(space of contours)에 대한 nonsymmetric L2 거리를 regional integral로 표현하여 contour points를 포함하는 completely local differential 계산을 피한다.

이것은 네트워크의 regional softmax 확률 출력으로 표현되는 boundary loss를 산출하며, 이는 standard regional losses와 쉽게 결합될 수 있고 N-D segmentation을 위해 기존의 모든 deep network architecture와 구현될 수 있다.