关于论文损失函数的一些疑问 #16
Comments
|
1) 这些图是手动设置的前背景的概率，然后计算出来的loss, 并不是实际网络生成的概率图计算的，是示意图。
2）SSIM的加入是受到了图像评估算法的启发，理论上你可以认为SSIM基于patch的计算方式有利于局部信息的保存，这个很难用严谨的数学方法证明。当然，你也可以认为是试出来的，其实就是trial
and error。不过话说回来，即使不是深度学习，很多算法的设计也是基于某一假设，然后不断尝试迭代出来的局部最优方案。
…On Tue, Oct 1, 2019 at 2:44 AM lipengqian ***@***.***> wrote:
尊敬的作者您好，
我认为您在论文中关于损失函数的分析相当的精彩。但是我有几个疑问：1）这些展示图是如何制作出来的？（个人猜测是保存不同训练阶段的模型，处理同一幅图片，然后可视化三个loss）
2）为什么SSIM对边缘的不一致很敏感？根据图片展示确实如此，有理论上的解释吗？（其实本质问题是我想知道您的hybrid
loss是理论指导设计还是实验指导设计的。）
—
You are receiving this because you are subscribed to this thread.
Reply to this email directly, view it on GitHub
<#16>,
or mute the thread
<https://github.com/notifications/unsubscribe-auth/ADSGOROMKH5WIPUVDSE7PZDQMMEXNANCNFSM4I4GNG5Q>
.
--
Xuebin Qin
PhD Candidate
Department of Computing Science
University of Alberta, Edmonton, AB, Canada
Homepage:https://webdocs.cs.ualberta.ca/~xuebin/
|
作者您好，手动设置的前背景的概率指的是什么啊 |
我想问一下 im_aug 和 gt_aug能公布一下吗 |
|
yes, as we described in the caption of figure 5.
…On Thu, Dec 30, 2021 at 6:24 AM Uhall ***@***.***> wrote:
1. 这些图是手动设置的前背景的概率，然后计算出来的loss, 并不是实际网络生成的概率图计算的，是示意图。
2）SSIM的加入是受到了图像评估算法的启发，理论上你可以认为SSIM基于patch的计算方式有利于局部信息的保存，这个很难用严谨的数学方法证明。当然，你也可以认为是试出来的，其实就是trial
and error。不过话说回来，即使不是深度学习，很多算法的设计也是基于某一假设，然后不断尝试迭代出来的局部最优方案。
… <#m_-6553839103826737514_>
On Tue, Oct 1, 2019 at 2:44 AM lipengqian *@*.***> wrote: 尊敬的作者您好，
我认为您在论文中关于损失函数的分析相当的精彩。但是我有几个疑问：1）这些展示图是如何制作出来的？（个人猜测是保存不同训练阶段的模型，处理同一幅图片，然后可视化三个loss）
2）为什么SSIM对边缘的不一致很敏感？根据图片展示确实如此，有理论上的解释吗？（其实本质问题是我想知道您的hybrid
loss是理论指导设计还是实验指导设计的。） — You are receiving this because you are subscribed
to this thread. Reply to this email directly, view it on GitHub <#16
<#16>>, or mute the thread
https://github.com/notifications/unsubscribe-auth/ADSGOROMKH5WIPUVDSE7PZDQMMEXNANCNFSM4I4GNG5Q
.
-- Xuebin Qin PhD Candidate Department of Computing Science University
of Alberta, Edmonton, AB, Canada Homepage:
https://webdocs.cs.ualberta.ca/~xuebin/
作者你好，基于你的解释，我认为你图5是不是都是预测前景的概率，P_fg是真值前景区域你设的显著性区域概率，P_bg是真值背景区域你设的显著性区域概率呢？
—
Reply to this email directly, view it on GitHub
<#16 (comment)>,
or unsubscribe
<https://github.com/notifications/unsubscribe-auth/ADSGORKGKPVAYJWOLJWYG2DUTO7EBANCNFSM4I4GNG5Q>
.
Triage notifications on the go with GitHub Mobile for iOS
<https://apps.apple.com/app/apple-store/id1477376905?ct=notification-email&mt=8&pt=524675>
or Android
<https://play.google.com/store/apps/details?id=com.github.android&referrer=utm_campaign%3Dnotification-email%26utm_medium%3Demail%26utm_source%3Dgithub>.
You are receiving this because you commented.Message ID:
***@***.***>
--
Xuebin Qin
PhD
Department of Computing Science
University of Alberta, Edmonton, AB, Canada
Homepage: https://xuebinqin.github.io/
|
Sign up for free
to join this conversation on GitHub.
Already have an account?
Sign in to comment
尊敬的作者您好，
我认为您在论文中关于损失函数的分析相当的精彩。但是我有几个疑问：1）这些展示图是如何制作出来的？（个人猜测是保存不同训练阶段的模型，处理同一幅图片，然后可视化三个loss）
2）为什么SSIM对边缘的不一致很敏感？根据图片展示确实如此，有理论上的解释吗？（其实本质问题是我想知道您的hybrid loss是理论指导设计还是实验指导设计的。）
The text was updated successfully, but these errors were encountered: