dice系数 交叉熵_二分类语义分割损失函数

这里针对二类图像语义分割任务，常用损失函数有：

[1] - softmax 交叉熵损失函数(softmax loss，softmax with cross entroy loss)

[2] - dice loss(dice coefficient loss)

[3] - 二值交叉熵损失函数(bce loss，binary cross entroy loss).

其中，dice loss 和 bce loss 仅支持二分类场景.

对于二类图像语义分割任务，经常出现类别分布不均衡的问题，比如：工业产品的瑕疵检测、道路提取及病变区域提取等.

如，DeepGlobe比赛中道路提取(Road Extraction)中，训练数据道路占比为：4.5%. 如下为其图片样例, 可以看出道路在整张图片中的比例很小.

1. Dice Loss

Dice loss 有助于解决二分类语义分割中类别不均衡问题.

Dice loss 的定义如：

$$

diceloss = 1- \frac{2|Y \cap P|}{|Y| + |P|}

$$

其中，Y 表示 groundtruth，P表示预测结果. $| \cdot |$ 表示矩阵元素之和. $Y \cap P$ 表示 Y 和 P 的共有元素数，实际通过求两者的逐像素乘积之和进行计算. 例如：

其中，1 表示前景，0 表示背景.(GT图片中要求前景像素值为1，背景像素值为