<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[悦学共鸣，温柔以待，汇聚光芒，共同成长]]></title><description><![CDATA[诚挚地希望你能在这里找到你所寻求的答案，也许还有你从未想象过的问题。保持开放的心态，欣赏和尊重不同的观点，每一次的交流和反思都是前进的动力。]]></description><link>https://blog.youkuaiyun.com/qq_42983182</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_42983182]]></copyright><item><title><![CDATA[损失函数大汇总（六十二）（Level Set Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159650936</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159650936</guid><author>qq_42983182</author><pubDate>Mon, 30 Mar 2026 16:31:29 +0800</pubDate><description><![CDATA[本文介绍了Level Set Loss在深度学习分割任务中的应用。Level Set Loss源自传统水平集方法，通过将轮廓演化、区域一致性和边界平滑等几何先验引入神经网络训练，能够有效改善分割结果的边界质量。文章详细解析了经典水平集能量函数的各项含义，包括轮廓长度项、面积项和区域一致性项，并阐述了如何将其改写为适用于深度学习的形式。典型的Level Set Loss通常结合区域一致性项和边界平滑项，与常规分割损失（如交叉熵或Dice）联合使用，既能保证基本分割精度，又能获得更自然平滑的轮廓。这种方法特别适]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（六十一）（Signed Distance Map Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544597</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544597</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:54:23 +0800</pubDate><description><![CDATA[摘要 本文介绍了Signed Distance Map (SDM) Loss，一种将形状先验直接融入分割任务的方法。SDM将每个像素表示为到目标边界的带符号距离（内部为负，外部为正），相比二值mask能更连续地表达形状几何信息。SDM Loss的核心思想是让网络学习这个隐式形状场，通过可微的Heaviside函数近似将SDM转换为分割结果。文中重点分析了一种product-based regression loss，它能同时关注距离数值和内外符号的正确性，对边界区域尤为敏感。SDM Loss通常与传统的分割]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（六十）（Discrete Morse Theory Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544553</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544553</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:52:54 +0800</pubDate><description><![CDATA[本文介绍了Discrete Morse Theory Loss（DMT Loss）在拓扑敏感分割任务中的应用。该损失函数的核心思想是识别并强调真正决定连通性、闭合性和孔洞生成的关键局部结构，而非平均惩罚所有拓扑错误。DMT Loss特别适用于细长结构、薄膜闭合等任务，能有效定位如血管断裂点、薄膜薄弱处等关键位置。与Persistent Homology Loss和Betti Matching Loss不同，DMT Loss更侧重于局部结构而非全局拓扑特征，通过加权关键像素的监督信号来优化模型。文章还提供了D]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十九）（TopoInteraction Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544515</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544515</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:51:20 +0800</pubDate><description><![CDATA[本文介绍了TopoInteraction Loss，一种用于多类别分割任务的拓扑交互约束损失函数。不同于传统拓扑损失关注单类别的连通性和孔洞数量，该损失重点约束不同类别之间的空间关系，包括互斥（exclusion）和包含（containment）两种典型拓扑关系。通过将全局拓扑约束转化为局部邻接检测，该损失能准确定位破坏预设拓扑关系的像素，并针对性施加惩罚。关键创新点在于：1）将包含关系转化为互斥约束；2）使用卷积运算高效检测非法邻接；3）仅对违规像素施加损失。实验表明，该方法能有效纠正类别间的错误接触，特]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十八）（Betti Matching Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544477</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544477</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:49:44 +0800</pubDate><description><![CDATA[Betti Matching Loss 通过匹配预测和真实标签中的具体拓扑特征（如连通区域和孔洞），实现比 Euler Characteristic Loss 更精细的拓扑约束。它不仅比较特征数量，还建立特征对应关系，惩罚匹配特征间的差异、多余特征和缺失特征。相比仅计算全局拓扑摘要的 Euler Characteristic Loss，Betti Matching Loss 能更精确地控制拓扑结构的空间对应关系，提升分割质量。]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十七）（Euler Characteristic Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544411</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544411</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:48:19 +0800</pubDate><description><![CDATA[本文提出了一种轻量级的拓扑约束方法——Euler Characteristic Loss，用于在图像分割任务中保持正确的拓扑结构。该方法通过计算预测结果和真实标签的欧拉示性数（连通块数减孔洞数）差异来构建损失函数。为了解决二值分割不可导的问题，作者提出了基于概率图的soft Euler characteristic近似计算方案，将顶点、边和面的数量用概率乘积形式表示，使损失函数可微。文章详细推导了该损失的计算公式和梯度表达式，并分析了其作用机制：通过约束全局拓扑不变量来同时控制连通块数和孔洞数。相比基于持续]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十六）（Topological Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159544372</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159544372</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 13:45:44 +0800</pubDate><description><![CDATA[本文介绍了Topological Loss损失函数，其核心思想是通过约束分割结果的拓扑结构来提升分割质量。文章首先指出传统区域和边界损失函数无法解决拓扑错误问题（如结构断裂、错误粘连或孔洞错误），进而引入Betti数（连通分量数、孔洞数等）作为拓扑描述指标。由于网络输出是概率图而非二值结果，提出使用持续同调（persistent homology）分析不同阈值下的拓扑特征变化，通过追踪特征的&quot;出生&quot;和&quot;死亡&quot;阈值来评估其重要性。Topological Loss的实现方]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十五）（Active Boundary Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159508294</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159508294</guid><author>qq_42983182</author><pubDate>Fri, 27 Mar 2026 10:55:29 +0800</pubDate><description><![CDATA[本文介绍了一种主动边界损失（Active Boundary Loss, ABL），用于改进图像分割任务中的边界对齐效果。与传统边界损失不同，ABL不仅评估边界偏差，还主动为预测边界点提供移动方向指导。其核心思想是将边界对齐问题转化为方向预测问题，通过计算预测边界点到真实边界最近点的方向向量作为监督信号，要求模型学习边界修正方向。ABL特别适用于对边界细节要求高的任务，能有效改善边界模糊、偏移等问题。与区域损失（如Dice/CE）结合使用时，可兼顾整体分割质量和边界精细度。相比仅惩罚偏差的边界损失，ABL提供]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十四）（Hausdorff Distance Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159508058</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159508058</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 15:00:40 +0800</pubDate><description><![CDATA[本文介绍了Hausdorff距离损失函数(Hausdorff Distance Loss)及其在图像分割任务中的应用。Hausdorff距离衡量两个点集之间最远的边界偏差，特别关注分割结果中的&quot;极端坏点&quot;，如局部大偏差、细长结构断裂等问题。文章详细推导了该损失函数的数学形式，它通过距离变换图加权像素误差，强调远离边界的错误。与Boundary Loss不同，Hausdorff Distance Loss更关注最坏情况下的边界偏差而非整体边界准确性。参数α控制对远距离错误的敏感度，α越大越]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十三）（Boundary Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159507863</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159507863</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 14:54:25 +0800</pubDate><description><![CDATA[摘要 Boundary Loss是一种针对图像分割任务的新型损失函数，特别适用于高度类别不平衡的细粒度分割场景。与传统的区域型损失（如Dice、交叉熵）不同，它通过计算预测边界与真实边界之间的距离来优化模型，更关注边界精度而非区域重叠。核心思想是利用距离图（distance map）将边界约束转化为区域积分形式，实现端到端训练。具体实现中，损失函数为预测概率与距离图的点积，梯度仅取决于距离图，具有明确的空间引导性。相比区域型损失，Boundary Loss能更好处理小目标、细长结构等边界敏感任务，可与Dic]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十二）（Log-Cosh Dice Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159507703</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159507703</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 14:49:04 +0800</pubDate><description><![CDATA[本文介绍了Log-Cosh Dice Loss，一种针对Dice Loss的平滑改进方法。该损失函数通过在Dice Loss外层套用log(cosh)变换，保留了Dice的区域重叠优化本质，同时使损失曲线更平滑、梯度变化更柔和。文章详细推导了其数学公式和梯度计算，指出在小误差区域近似二次函数，大误差区域近似线性增长，并通过tanh门控因子实现梯度平滑控制。相比Exponential Logarithmic Loss的双分支改造，Log-Cosh Dice Loss更聚焦于单一Dice支路的优化改进，适合需要]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十一）（Exponential Logarithmic Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159507338</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159507338</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 14:35:11 +0800</pubDate><description><![CDATA[本文介绍了Exponential Logarithmic Loss损失函数，它在Dice Loss和交叉熵损失的基础上进行了非线性重塑。该损失函数通过将对数变换和指数参数相结合，重新调节了不同误差区间的优化强度。其核心思想是对Dice和交叉熵分别进行&quot;非线性重加权&quot;，而非简单线性组合。具体实现上，将Dice系数取对数后加入指数参数控制曲率，同时对交叉熵损失也进行指数化处理。这种双重非线性变换使得模型在不同难度的样本上表现出差异化敏感度，特别适用于类别不平衡分割、医学图像分割等场景。相比传]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（五十）（Unified Focal Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159505767</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159505767</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 13:39:46 +0800</pubDate><description><![CDATA[LUFLλLAFT1−λLAFLLUFL​λLAFT​1−λLAFL​λ∈01λ∈01控制 overlap 分支和 distribution 分支的相对权重；LAFTLAFT​负责区域重叠与前景召回；LAFLLAFL​负责逐像素分布学习与背景抑制。]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十九）（Focal Dice Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159505394</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159505394</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 13:28:49 +0800</pubDate><description><![CDATA[本文介绍了Focal Dice Loss，一种针对医学图像分割任务的改进损失函数。该损失函数通过将focal思想引入Dice Loss，能够更好地处理类别不平衡问题，特别适用于小目标和困难区域的分割任务。文章详细推导了Focal Dice Loss的数学公式，分析了其梯度特性，并与Dice Loss、Focal Tversky Loss等相关方法进行了对比。Focal Dice Loss通过在普通Dice Loss基础上增加幂次参数γ，实现了对困难区域的强化关注，同时保持了Dice Loss关注区域重叠的核]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十八）（Combo Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159504457</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159504457</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 12:58:44 +0800</pubDate><description><![CDATA[Combo Loss是一种结合交叉熵损失(BCE)和Dice损失的分割损失函数，通过参数α平衡两者的权重。它既保留BCE对像素级分类的稳定监督，又利用Dice提升区域重叠性能，特别适用于医学图像等小目标分割任务。进一步可通过β参数调整BCE内部权重，控制假阳性/假阴性偏好。相比单一损失，Combo Loss在训练稳定性和分割指标间取得更好平衡，成为工程实践中的常用选择。]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十七）（Jaccard Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159504375</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159504375</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 12:56:46 +0800</pubDate><description><![CDATA[本文介绍了Jaccard Loss（又称IoU Loss）在图像分割任务中的应用。Jaccard Loss通过直接优化与评价指标IoU一致的连续近似损失函数，相比Cross Entropy、Dice Loss等更具针对性。文章详细推导了二值分割和多类分割的Jaccard Loss公式，分析了其与Dice系数的关系及区别：Jaccard Loss对预测区域的错误扩张更敏感，计算方式更严格。同时解释了为何需要采用soft版本而非原始IoU，并比较了Jaccard Loss与Lovász-Softmax的异同。该]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十六）（Generalized Dice Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159504156</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159504156</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 12:48:30 +0800</pubDate><description><![CDATA[Generalized Dice Loss（GDL）是针对多类分割任务中极端类别不平衡问题提出的改进方法。它在普通Dice Loss基础上引入类别权重，通过平方倒数权重显式补偿小类别的影响，使训练更关注稀缺区域。GDL特别适合医学图像分割（如小器官/病灶检测），能有效解决大类别主导问题。但与交叉熵损失（CE）相比，GDL对空类别敏感且缺乏概率校准性，因此常与CE联合使用，兼顾像素级分类和区域重叠优化。实现时需注意数值稳定性处理（如加平滑项ε）。]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十五）（clDice Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159503950</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159503950</guid><author>qq_42983182</author><pubDate>Thu, 26 Mar 2026 12:42:18 +0800</pubDate><description><![CDATA[clDice Loss是一种针对细长结构分割任务的拓扑保持损失函数，通过比较预测区域和真实区域的中心线重叠情况来评估分割质量。与传统Dice Loss关注区域重叠不同，clDice Loss重点考察连通性和骨架拓扑结构，能有效避免血管断裂、分支错误连接等问题。该损失函数包含两个核心指标：预测骨架在真实区域中的覆盖比例（Topology Precision）和真实骨架被预测区域覆盖的比例（Topology Sensitivity），通过调和平均得到最终评估值。由于传统骨架提取算法不可导，实际实现采用可微的so]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十四）（Hausdorff Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159461765</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159461765</guid><author>qq_42983182</author><pubDate>Wed, 25 Mar 2026 10:05:01 +0800</pubDate><description><![CDATA[Hausdorff Loss是一种专注于边界分割质量的损失函数，特别关注预测边界与真实边界之间的最大偏差。与Dice等区域重叠指标不同，Hausdorff距离衡量的是&quot;最坏情况下的边界误差&quot;，这对医学图像分割等精细任务尤为重要。由于原始Hausdorff距离包含不可导的最大值和最近点搜索操作，实际应用中采用基于距离变换图的平滑近似形式：将预测误差与距离权重相乘，重点惩罚远离边界的严重错分。该损失通常与区域损失（如Dice）联合使用，在细长结构和小目标分割中表现优异，能有效改善边界定]]></description><category></category></item><item><title><![CDATA[损失函数大汇总（四十三）（Boundary Loss附公式推导与代码）]]></title><link>https://blog.youkuaiyun.com/qq_42983182/article/details/159461512</link><guid>https://blog.youkuaiyun.com/qq_42983182/article/details/159461512</guid><author>qq_42983182</author><pubDate>Wed, 25 Mar 2026 09:55:34 +0800</pubDate><description><![CDATA[摘要 Boundary Loss是一种针对图像分割任务的边界优化损失函数，特别适用于小目标、细长结构和类别不平衡场景。它通过引入真实边界的有符号距离场（SDF），将边界距离优化问题转化为区域积分形式。与Dice Loss等区域重叠损失不同，Boundary Loss更关注预测边界与真实边界的精确对齐，而非整体区域重叠。其核心公式为像素级SDF值与预测概率的乘积求和，通过梯度调整使预测概率在真实边界内部升高、外部降低。该损失通常与区域型损失（如CE或Dice）联合使用，形成&quot;区域分割+边界修正&qu]]></description><category></category></item></channel></rss>