超级会员免费看
本文详细探讨了深度学习中的分类损失函数，包括CrossEntropy损失、Balanced Cross Entropy、Dice Loss和Focal Loss。分析了在数据不平衡情况下，这些损失函数如何应对，特别强调了Focal Loss在处理易分类样本时的优势。此外，还介绍了Soft Dice loss与Cross-Entropy loss在图像分割任务中的互补性，以及在实际应用中如何选择和结合不同的损失函数。
文章目录
在实际任务中，数据的不均衡一直是深度学习领域一个不可忽略的问题。常说的长尾效应，说的就是这个问题。少而多的误差，最终造成的结果，是不容忽视的。
长尾效应：在正态分布中，曲线中间凸起的是“头”，两边相对平缓的部分叫做“尾”。对于绝大部分的需求来说，都会集中在中间凸起的“头”处，但是除了“头”，还有两边长长的“尾”。不同于中间的“头”，分布在尾部的需求是个性化的，零散的，少量的需求。这部分需求，构成了一条长长的“尾巴”，所谓的长尾效应就是在于它的数量上。将所有的非流行的市场，累加起来就会形成一个巨大的市场，甚至比主流市场还要巨大。
无论是纯纯的分类任务，还是目标检测中的回归任务，这种不均衡性都一直存在，具体表现为三种形式：
- 类与类之间的数量不均衡；
- 前景与背景之间数量不均衡；
- 简单样本和困难样本之间的不均衡。
如何在计算损失的时，将最终的loss值，更能体现大局观，不会被某一面绑架，也不要忽略了某一面
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
