损失函数之图像分割

损失函数

1. Cross Entropy Loss
2. Dice Loss
3. IoU Loss
4. Focal Loss
5. Boundary Loss

1、Cross Entropy Loss
$$L_{CE}=-\sum _{i=1}^N{y}^{(i)}log{\hat{y}}^{(i)}+(1-y^{(i)})log(1-{\hat{y}}^{(i)})$$
应用于大多数的语义分割场景，不适用于前景和背景所占比例差别较大的情况。细粒度信息分割效果不好。

2、Dice Loss
$$L_{Dice}=1-DSC=1-\frac{2|X\cap Y|}{|X|+|Y|}$$
常用于医学图像分割，适用于样本分布极度不平衡的情况。正常情况下使用Dice Loss反而不利，使训练不稳定。

3、IoU Loss
$$L_{IoU}=\frac{TP}{TP+FP+FN}$$
IoU是目标检测中的指标，旨在增加模型定位的精度。

4、Focal Loss
$$L_{Focal}=-(1-p_t{)}^{\gamma }log(p_t)$$
标准交叉熵的改进，解决类别不平衡问题。容易分割的样本损失降低，困难样本的损失较高，聚焦困难样本。

5、Boundary Loss
$$Dist(\partial G,\partial S)={\int }_{\partial G}||y\partial S(p)-p|{|}^{2}dp$$
边界损失，主要提高了区域边界分割的准确度。

边界损失推荐一篇文章

$G$表示$Ground$ $Truth$

$P$表示$Prediction$

$G_1,P_1$分别表示$G$和$P$的线边界

$G_d,P_d$分别表示$G$和$P$的宽度为$d$的边界区域

$d$边界区域的像素宽度