語義分割損失函數

1. 交叉熵損失

語義分割時相當於對每個像素進行分類，所以實際是一個分類任務

對每一個像素的預測值與實際值比較，將損失求平均，是所以最常用的還是交叉熵損失

self.CE = nn.CrossEntropyLoss(weight=weight, ignore_index=ignore_index, reduction=reduction)

loss = self.CE(outputs, target)

 

2. 帶權重的交叉熵損失

 交叉熵Loss 可以用在大多數語義分割場景中，但它有一個明顯的缺點，那就是對於只分割前景和背景

的時候，當前景像素的數量遠遠小於背景像素的數量時，即出現樣本不平衡的的時候，損失函數中y=背景

的成分就會占據主導，使的模型嚴重偏向背景，導致效果不好。

為解決樣本不平衡問題，

在多樣本損失加一個小的權重，在少樣本損失加一個大的權重

self.CE_loss = nn.CrossEntropyLoss(reduce=False, ignore_index=ignore_index, weight=alpha)

 

3. FoaclLoss

Focal Loss 用於解決難以樣本數量不平衡問題，即更關注難分對樣本的損失。一個簡單的想法就是將高置信度的

樣本的損失降低，低置信度的樣本損失提高

 當p = 0.9 的時候，取 gamma=2, 損失降低了1000倍。

self.CE_loss = nn.CrossEntropyLoss(reduce=False, ignore_index=ignore_index）

logpt = self.CE_loss(output, target)

pt = torch.exp(-logpt)

loss = (1-pt)**self.gamma * logpt

loss.mean()

 

4. Dice Loss

用來度量集合相似度的度量函數，通常用於計算兩個樣本之間的像素。

   

class DiceLoss(nn.Module):
  def __init__(self, smooth=1, ignore_index=255):
    super(DiceLoss, self).__init__()
    self.ignore_index = ignore_index
    self.smooth = smooth

  def forward(self, output, target):
    if self.ignore_index not in range(target.min(), target.max()):
      if (target == self.ignore_index).sum() > 0:
        target[target==self.ignore_index] = target.min()

　　# 轉化成one-hot形式
    target = make_one_hot(target.unsqueeze(dim=1), classes=output.size()[1])
 # 轉化為概率
    output = F.softmax(output, dim=1)
    output_flat = output.contiguous().view(-1)
    target_flat = target.contiguous().view(-1)
# 重合部分
    intersection = (output_flat * target_flat).sum()

    loss = 1 - (2 * intersection + self.smooth) / (output_flat.sum() + target_flat.sum() + self.smooth)