1.语义分割
就是把每个像素都打上标签(这个像素点是人,树,背景等)(语义分割只区分类别,不区分类别中具体单位)
2.实例分割
实例分割不光要区分类别,还要区分类别中每一个个体
3.损失函数:
逐像素的交叉熵:图像的分割需要对每个像素点进行对比,也就是逐像素交叉熵。函数如下:
表示权重项,后面项表示交叉熵损失函数
4.Focal loss
样本也有难易之分,就跟玩游戏一样,难度越高的BOSS奖励越高
Gamma通常设置为2,例如预测正样本的概率为0.95,(1-0.95)^2=0.0025,如果预测正样本概率0.5,(1-0.5)^2=0.25(相当于样本的难易权值)。通过Gamm权值体现出哪个像素点贡献大,哪个像素点贡献小。
(再结合样本数量的权值就是Focal Loss)阿尔法表示正副样本的比例。
5.IOU计算(Intersection over Union,交并比,是一种评估标准)
多分类任务时:
x轴表示预测值,y轴表示预测值,例:预测值为狗,真实值也为狗的有801个(也就是做对的个数)。总值=预测为狗的+真实为狗的-801(减801是因为重合部分801加了两次)
实例应用中IOU的计算,下面左图是实际标签值,右图为预测结果图
算出交集以及并集,把两者做个比例就可以算出IOU(下面左图,为上面两张图中黄色部分的交集,右图为黄色部分的并集,IOU=交集/并集)
MIOU指标:MIOU就是计算所有类别(例如,人,猫,飞机,大炮等等)的平均值,一般当做分割任务评估指标