【深度学习】语义分割中的 loss function 最全面汇总

文章预览

作者丨程序员阿德@知乎（已授权） 来源丨https://zhuanlan.zhihu.com/p/101773544 编辑丨极市平台 导读   本文总结了语义分割中的5个损失函数，详细介绍每个损失函数的使用场景以及特点。 目录： cross entropy loss weighted loss focal loss dice soft loss soft iou loss 总结 1、cross entropy loss 用于图像语义分割任务的最常用损失函数是像素级别的交叉熵损失，这种损失会逐个检查每个像素，将对每个像素类别的预测结果（概率分布向量）与我们的独热编码标签向量进行比较。 假设我们需要对每个像素的预测类别有5个，则预测的概率分布向量长度为5： 每个像素对应的损失函数为： 整个图像的损失就是对每个像素的损失求平均值。 特别注意的是， binary entropy loss 是针对类别只有两个的情况，简称 bce loss ，损失函数公式为： 2、weighted loss 由于交叉熵损失会分别评估每个像 ………………………………