图像分割项目中损失函数的选择

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