這裡針對二類影象語義分割任務，常用損失函式有：
[1] - softmax 交叉熵損失函式(softmax loss，softmax with cross entroy loss)
[2] - dice loss(dice coefficient loss)
[3] - 二值交叉熵損失函式(bce loss，binary cross entroy loss).
其中，dice loss 和 bce loss 僅支援二分類場景.
對於二類影象語義分割任務，經常出現類別分布不均衡的問題，比如：工業產品的瑕疵檢測、道路提取及病變區域提取等.
1. dice loss
dice loss 有助於解決二分類語義分割中類別不均衡問題.
dice loss 的定義如：
diceloss = 1- \frac
其中，y 表示 groundtruth，p表示**結果. $| \cdot |$ 表示矩陣元素之和. $y \cap p$ 表示 y 和 p 的共有元素數，實際通過求兩者的逐畫素乘積之和進行計算. 例如：
其中，1 表示前景，0 表示背景.(gt中要求前景畫素值為1，背景畫素值為0).
2. dice loss 與類別不均衡
類別不均衡問題上，dice loss效果為什麼比softmax 交叉熵 loss 更好？
首先，softmax 交叉熵 loss 的定義為：
l = -\sum_^c y_c log(f(p_c))
其中，f(p_k) = \frac}}}
其中，y 表示 groundtruth, p 表示網路輸出.
影象分割任務中，softmax 交叉熵loss 是對每乙個畫素點進行類別**，然後平均所有的畫素點. 其本質上仍是對的每個畫素進行平等的學習，這就導致如果影象上的多種類別存在不平衡時，模型的訓練會由最主流的類別所主導. 網路更偏向於對主流類別的學習，而降低了對非主流類別的特徵提取能力.
而，dice loss 通過**和gt的交集除以它們的總體畫素進行計算，將乙個類別的所有畫素作為乙個整體進行考量，而且計算交集在總體中的比例，所以不會受大量主流畫素的影響，能夠提取更好的效果.
實際中，dice loss 往往與 bce loss 結合使用，以提公升模型訓練的穩定性.
二分類問題的交叉熵函式和多分類問題的交叉熵函式
在二分類問題中，損失函式為交叉熵損失函式。對於樣本 x,y 來講，x為樣本 y為對應的標籤。在二分類問題中，其取值的集合可能為，我們假設某個樣本的真實標籤為yt，該樣本的yt 1的概率為yp，則該樣本的損失函式為 如果對於整個資料集上的模型而言 其損失函式就是所有樣本的點的損失函式的平均值。在多分類...
二分類 多分類
怎麼樣把兩類的分類的模型推廣到多類上？答 a.一對多法 one versus rest,簡稱ovr svms 訓練時依次把某個類別的樣本歸為一類,其他剩餘的樣本歸為另一類，這樣k個類別的樣本就構造出了k個svm。分類時將未知樣本分類為具有最大分類函式值的那類。b.一對一法 one versus on...
二分類問題
模型 帶有relu啟用的dense層堆疊 對於二分類問題，網路的最後一層應該是只有乙個單元並使用sigmoid啟用的dense層，網路的輸出應該是0 1的標量，表示概率值 對於二分類問題的sigmoid標量輸出，應該使用binary crossentroy 二元交叉熵 損失函式 實驗 1 嘗試增加或...