函数的选择"/>
图像分割项目中损失函数的选择
文章目录
- 前言
- 场景:实际项目中,通常会有一个常见的问题:样本不均衡
- 一、focal loss
- 思考
- 二、Dice loss
- 三、二分类
- 未完待续
前言
在图像分割领域,最基础、最常见的损失当然是交叉熵损失 —— Cross entropy。随着不断的研究,涌现出了许多优于交叉熵损失的,并且在实际场景中,也往往不会在单单使用交叉熵损失了。
场景:实际项目中,通常会有一个常见的问题:样本不均衡
一、focal loss
focal loss从样本难易分类角度出发,解决样本非平衡带来的模型训练问题。
通常情况下,样本不均衡所带来的问题是少样本难以区分(当然也会存在一些本身就很难区分或分割的样本),因此focal loss聚焦于难分样本,在梯度求导时,让难分类样本占主导,因此训练学习过程更加聚焦在难分样本。
思考
focal loss在训练过程中本身是一个动态选择,并不稳
更多推荐
图像分割项目中损失函数的选择
发布评论