近日，数之联算法研究中心团队在SCI期刊《Applied Sciences》的《Recent Advances in Big Data Analytics》专题上发表了一篇学术论文，题目为《Balanced Loss Function for Accurate Surface Defect Segmentation》。论文第一作者是数之联算法工程师谢洲洋，通信作者是数之联首席算法官陈端兵。论文其他作者包括：舒畅（西南技术工程研究所）、傅彦、周俊临。
论文深入研究了基于深度学习的表面缺陷语义分割模型训练中存在的损失函数不平衡问题，并提出了一种新颖的、具有更好训练效果的平衡损失函数。
论文下载链接：https://www.mdpi.com/2076-3417/13/2/826
表面缺陷自动检测是一项对各种工业产品生产与质量控制具有重大价值的计算机视觉技术。其中，表面缺陷的图像语义分割技术能提供对缺陷的细粒度识别结果，有助于对缺陷面积、损坏程度的精准分析。对常用的深度学习方法而言，表面缺陷的语义分割具有较大的难度，往往存在训练收敛困难、训练结果不稳定、边缘和小目标识别效果较差等问题。而训练过程中的损失函数不平衡问题是一个重要的诱因。
针对这一问题，该论文对表面缺陷分割模型训练中的损失函数不平衡问题进行了深入研究，并提出一种创新的平衡损失函数（Balanced Loss Function）。研究发现，模型训练过程中经常存在三种类型的损失函数不平衡问题，即标签不平衡、边界不平衡、难易样本不平衡。这些问题共同导致了模型训练困难、性能不稳定等问题。因此，该论文提出了平衡损失函数，包括了动态类别加权（Dynamical Class Weighting）、标签混淆抑制（Label Confusion Suppression）、截断交叉熵损失函数（Truncated Cross-entropy Loss）等三种机制。
实验结果表明，相比于常用的大部分语义分割损失函数，论文提出的平衡损失函数具有更好的训练效果，大幅提升了模型的表面缺陷分割准确率。
《Applied Sciences》是一本关于应用自然科学各个方面的国际性、同行评议、开放获取期刊，由MDPI半月刊在线出版，影响因子2.838（2022）。
资源中心
新闻资讯
公司新闻
媒体报道
品牌活动
关于我们
咨询热线：
028-8666 1321
川公网安备 51010702001879号 成都数之联科技股份有限公司 Copyright© 2022, unionbigdata.com. All rights reserved 蜀ICP备13021642号-5
专业服务
让制造更智能、城市更智慧
通用
敏捷智能BI平台
分布式智能AI平台
智慧工业
智慧监管
智慧法院
泛自然资源
智慧工业
智慧监管
智慧法院
泛自然资源
国土资源大数据解决方案
智慧应急大数据解决方案
生态河湖大数据解决方案
更多
实现感知、传输、协同、决策等综合运营管理能力，优化资源配置、降低运营成本、提高运营效率。
由点至面、循序渐进的构建酿酒生产大数据分析应用体系；围绕酒业营销构建从营销效能到消费转化的全链分析体系。
智慧军事大数据解决方案
专业服务
关于我们
智慧工业
新闻资讯
公司新闻
媒体报道
品牌活动
智慧监管
智慧法院
泛自然资源
建立比较完备的林业各类信息资源数据库，满足部门、政府日常数据需求和交互使用。
更多案例
核心关键词：工业ＡＩ检测,数据资产管理,司法数据中台,遥感大数据,ＡOＩ设备