RankED: Addressing Imbalance and Uncertainty in Edge Detection Using Ranking-based Losses

2024-01-01
Çetinkaya, Bedrettin
Kalkan, Sinan
Akbas, Emre
Görüntülerde kenarları tespit etmek, (P1) pozitif ve negatif sınıflar arasında büyük bir dengesizlik ve (P2) farklı etiketleyiciler arasındaki fikir ayrılıklarından kaynaklanan etiket belirsizliği sorunlarıyla karşı karşıyadır. Mevcut çözümler, P1 sorununu sınıf dengeli çapraz entropi kaybı ve dice kaybı kullanarak ve P2 sorununu ise çoğu etiketleyicilertarafından üzerinde anlaşmaya varılan kenarları tahmin ederek ele almaktadır. Bu makalede, hem dengesizlik problemini (P1) hem de belirsizlik problemini (P2) ele alan birleştirilmiş, sıralama tabanlı bir yaklaşım olan RankED'i öneriyoruz. RankED, bu iki sorunu çözmek için iki bileşen kullanmaktadır: İlk bileşen pozitif pikselleri negatif piksellerin üzerinde sıralarken, ikinci bileşen yüksek güvenlikli kenar piksellerinin daha fazla etiket kesinliğine sahip olmasını teşvik eder. RankED'in, NYUDv2, BSDS500 ve Multi-cue veri kümelerinde önceki çalışmalardan daha iyi performans gösterdiğini ve yeni bir son teknoloji standart belirlediğini gösteriyoruz.
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition
Citation Formats
B. Çetinkaya, S. Kalkan, and E. Akbas, “RankED: Addressing Imbalance and Uncertainty in Edge Detection Using Ranking-based Losses,” presented at the Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Washington, Amerika Birleşik Devletleri, 2024, Accessed: 00, 2024. [Online]. Available: https://hdl.handle.net/11511/111935.