语义分割常用loss

Log loss

• 交叉熵，二分类交叉熵(BCE)，即keras.losses.binary_crossentropy$$BCE=-y\ast log(y^{\prime })-(1-y)\ast log(1-y^{\prime })$$最终的loss是y=0和y=1两种类别的loss相加。
• 这种方法有一个明显缺点，当正样本数量远远小于负样本的数量时，即y=0的数量远大于y=1的数量，loss函数中y=0的成分就会占据主导，使得模型严重偏向背景。所以对于背景远远大于目标的分割任务，Log loss效果非常不好。

Weighted Cross Entropy

• WCE是对BCE的改进，用于缓解类别不平衡的问题$$WCE=-\beta \ast y\ast log(y^{\prime })-(1-y)\ast log(1-y^{\prime })$$

• 为减少假负样本数量，通常令$\beta >1$

• 需要使用convert_to_logits将分割网络在最后一层经过sigmod函数激活后的结果进行转换:
  

Focal loss

• Focal loss是针对训练样本不平衡提出的loss函数