摘要

我们提出了一种新型的边界感知损失函数，结合逆变换网络用于语义分割任务，能够高效学习估计边界与目标边界之间参数化变换的程度。该即插即用的损失项可与交叉熵损失协同作用，有效捕捉边界变换信息，在不增加主干网络规模与计算复杂度的前提下，显著提升各类分割模型的性能。我们在三个室内与室外分割基准数据集（包括Cityscapes、NYU-Depth-v2和PASCAL）上系统分析了该损失函数在定量与定性层面的表现，并将其集成至多种主干网络的训练过程中，覆盖单任务与多任务学习场景。大量实验结果表明，所提方法在各项指标上均持续优于现有基线模型，甚至在两个数据集上达到了新的最优性能水平，刷新了当前的最先进记录。