图像分割中涉及的损失函数（主要用来处理样本不平衡）

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