（脑肿瘤分割笔记：九）用于医学图像分割的多尺度L1损失对抗网络

本文只是记录个人阅读论文的感想与思考！难免存在错误！如若理解有误还请各位大佬指出！感谢！

目录

相关概念

欧式距离

L2范数

L1损失函数

L1损失函数的优缺点 

L2损失函数

L2损失函数的优缺点

论文：SegAN: Adversarial Network with Multi-scale L1 Loss for Medical Image Segmentation

摘要

Introduction

方法

多尺度L1损失定义

SegAn仍然存在的缺点 

---

首先明确理解一些概念。

相关概念

欧式距离

假设X和Y都是一个n维的向量，即X=（x1，x2......xn）,Y=(y1,y2.....yn),则欧式距离定义为

L2范数

假设X是n维特征X=(x1,x2,....xn),则L2范数等于

L1损失函数

L1损失函数也被称为平均绝对误差（MSE）,设标签为Y=(y1,y2,...ym​)1×m，样本

Xij(n×m)​经过模型处理得到预测f(X)=Y^。L1损失函数记为预测结果和真实标签的平均误差。则L1损失函数的定义为

L1损失函数的优缺点 

缺点：1）梯度恒定，不论预测值是否接近真实值，这很容易导致发散࿰