Loss Functions Analysis of Performance Improvements in Single-Image Super-Resolution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle