《表1 基于结构化标签的损失函数计算过程》
神经网络定义的损失函数用来计算预测值和真实值之间的差距,而反向传播算法是以最小化损失值为目标来迭代更新权重.传统学习任务中,标签大多以离散数值形式呈现,计算机用独热编码(onehot)方式编码离散标签.由于结构化标签高维度的特性,传统的损失函数计算方法显然不再适用,如何对结构化标签进行编码表示以及在其上定义损失函数计算方法是SCNN模型的关键技术.首先,我们将结构化标签图像进行二值化处理,黑色线条像素点用1表示,白色背景像素点用0表示(见图6).其次,设定样本和结构化标签图像大小相同,即32×64像素(2 048维).然后在样本图像的每个像素点上定义二分类任务,即一张样本图像需要定义2 048个二分类任务,直接调用PyTorch框架中适用于二分类任务的损失函数BCEWithLogitsLoss()方法[13]计算每个像素点的损失值.最后,1张样本图像对应的损失值就是2 048个像素点损失值的加和值.具体SCNN损失函数计算过程如表1所示.
图表编号 | XD0056048900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 牟伦田、谢海涛、毛莎莎、陈艳艳 |
绘制单位 | 北京工业大学交通工程北京市重点实验室、北京工业大学交通工程北京市重点实验室、西安电子科技大学人工智能学院、北京工业大学交通工程北京市重点实验室 |
更多格式 | 高清、无水印(增值服务) |