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