语义分割中常用的损失函数

前言

   语义分割任务可以看作像素级的分类任务，在设计基于语义分割的深度学习架构时，尤其是在伪装目标分割的特殊场景下，损失/目标函数的选择非常关键，会直接影响到算法的学习过程，进而影响到模型的收敛速度、分割准确度。

   目前，语义分割种常用的损失函数包括cross entropy, generalized dice coefficient, focal loss 等。

1. cross entropy交叉熵

   逐像素的交叉熵是语义分割中最常用的一种损失函数，一般用来量化两个概率分布之间的差异。
（1）对于二分类的情况，其公式如下：
$$L=\frac{1}{N}\sum _i-[y_i\cdot log(p_i)+(1-y_i)\cdot log(1-p_i)]$$

其中：

• $y_i$表示样本i的label，正类为1，负类为-
• $p_I$表示样本i预测为正类的概率

（2）对于多分类的情况
$$L=-\frac{1}{N}$$