SCI论文

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。