图像分割中的损失函数
前言
图像分割中的loss函数继承了深度学习模型中一般损失函数的所有特点,但是又有其自身的特点,即需要处理类别不平衡的问题,在进行图像分割中,往往图像中成为背景的像素值占绝大多数,而前景目标的像素只有很少一部分。
注:以下链接详细介绍了深度学习模型中的一般损失函数。
参考链接:https://blog.csdn.net/weixin_38410551/article/details/104973011
如图所示:
注:车道线只是占很少一部分,大部分为背景。
图像分割处理的时候,经常要遇到这样的样本不均衡问题。
解决办法
主流的解决办法,都是通过减少样本中样本数较多的类别损失函数权重,增加样本中样本数较少的类别损失函数的权重。这样,预测样本较少的类别,损失函数下降的更快,而预测样本较多的类别,损失函数下降得慢。
注:防止过拟合,也采取了类似的办法,通过增加权重参数的二次项,在优化损失函数的过程中,来降低权重的大小ÿ