Loss Functions Analysis of Performance Improvements in Single-Image Super-Resolution
Notice bibliographique
Résumé
The building rooftop delineation plays a critical role in urban planning and management. Current methods on improving the delineation accuracy of the building rooftops mostly focused on the data improvements and methodology improvement. However, as the current deep learning networks have already reached high accuracy, the data quality has then become the important topic. Although loss functions serve the purpose of quantifying reconstruction errors and directing the optimization process of the model in super-resolution (SR), limited research related to their impact on SR were implemented. In this study, we focused on improving the spatial resolution of the building datasets by investigating numerous loss functions, including the Mean Absolute Error (MAE) loss function, the Mean-Squared Error (MSE) loss function, the SmoothL1 loss function and the Charbonnier loss function. With our proposed Single-Image Super-Resolution (SISR) network, Residual Feature Aggregation- Pyramid Vision Transformer- Involution Network (RFA-PVTInvoNet) and other typical SISR networks, the loss functions were applied to further enhance the performance. By using Peak Signal-Noise Ratio (PSNR) and Similarity Structure Index Measurement (SSIM) as the evaluation metrics, the RFA-PVTInvoNet with Charbonnier loss function showed the highest performance compared with other approaches, with PSNR of 22.046 dB and SSIM of 0.502 on the WHU Building Dataset, which demonstrate the superior performance of the Charbonnier loss in SISR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».