损失函数之图像分割

目录

• 1、Cross Entropy Loss
• 2、Dice Loss
• 3、IoU Loss
• 4、Focal Loss
• 5、Boundary Loss
• 参考

1、Cross Entropy Loss

\[L_{CE} = - \sum_{i=1}^N y^{(i)}log\hat{y}^{(i)} + (1-y^{(i)})log(1-\hat{y}^{(i)}) \]

应用于大多数的语义分割场景，不适用于前景和背景所占比例差别较大的情况。细粒度信息分割效果不好。

2、Dice Loss

\[L_{Dice} = 1 - DSC = 1 - \frac{2|X\cap Y|}{|X|+|Y|} \]

常用于医学图像分割，适用于样本分布极度不平衡的情况。正常情况下使用Dice Loss反而不利，使训练不稳定。

3、IoU Loss

\[L_{IoU} = \frac{TP}{TP+FP+FN} \]

IoU是目标检测中的指标，旨在增加模型定位的精度。

4、Focal Loss

\[L_{Focal}=-(1-p_t)^\gamma log(p_t) \]

标准交叉熵的改进，解决类别不平衡问题。容易分割的样本损失降低，困难样本的损失较高，聚焦困难样本。

5、Boundary Loss

\[Dist(\partial G, \partial S) = \int_{\partial G} || y\partial S(p) - p ||^2dp \]

边界损失，主要提高了区域边界分割的准确度。

参考

https://arxiv.org/pdf/2103.16562.pdf