图像分割的损失

前言

记录一下在kaggle图像分割比赛中用到的一些损失函数，把我用到了的一些损失函数基于tensorflow与keras实现。

---

交叉熵

• 在Keras中，损失函数是binary_crossentropy(y_true, y_pred)；
• 在TensorFlow中，它是softmax_cross_entropy_with_logits_v2

加权交叉熵

加权交叉熵（WCE）是CE的变体，其中所有正例都通过某个系数加权。它用于类不平衡的情况。例如，当您的图像具有10％黑色像素和90％白色像素时，常规CE将无法正常工作。

• 在TensorFlow中，损失函数是weighted_cross_entropy_with_logits。
• 在Keras，我们必须实现自己的功能：

  def loss(y_true, y_pred):
    y_pred = convert_to_logits(y_pred)
    loss = tf.nn.weighted_cross_entropy_with_logits(logits=y_pred, targets=y_true, pos_weight=beta)

    # or reduce_sum and/or axis=-1
    return tf.reduce_mean(loss)

  return loss

平衡交叉熵

平衡交叉熵（BCE）类似于WCE。唯一的区别是我们的重量也是负面的例子。定义为：

在keras中的实现：

def weighted_bce_loss(y_true, y_pred, weight):
    epsilon = 1e-7
    y_pred = K.clip(y_pred, epsilon, 1. - epsilon)
    logit_y_pred = K.log(y_pred / (1. - y_pred))
    loss = weight * (logit_