语义分割之损失函数汇总

损失函数综述

收录了常规的语义分割函数

博客资源：https://blog.csdn.net/qq_22751305/article/details/107100347?spm=1001.2014.3001.5501

知乎资源：【损失函数合集】超详细的语义分割中的Loss大盘点

LovaszSoftmax

多分类时，LovaszSoftmax的效果优于CrossEntropy。详情戳here

Wassertein

多分类，若采用交叉熵损失，可考虑将 Wassertein 距离 作为交叉熵损失的一个选择。

Wassertein 距离被用来衡量两个分布的相似程度，衡量了把数据从分布“p”移动成分布“q”时所需要移动的平均距离的最小值 。

《Severity-Aware Semantic Segmentation with Reinforced Wasserstein Training》

做法：对于每一个像素，计算其softmax输出直方图和相应one-hot标签间的wassertein距离。详情戳here

IS-Triplet loss

该方法适用于语义分割二分类。

算法思想：对于最后用于分类的特征图，作为像素的embed vector，采用度量学习的方式，使类内的embed接近，类间的embed远离。如下图所示，直接在原有语义分割模型上添加IS-Triplet loss。详情戳here

SE-loss

原文：EncNet，code：PyTorch

SE-loss用法：

在语义分割模型上增加一个分支，用二进制交叉熵损失，单独预测场景中出现的目标类别。实际训练过程中，结合语义分割的loss使用。论文解读戳here

原文是增加了一个上下文编码模块（Context Encoding Module），该模块预测一组缩放因子，用于突出和类别相关的特征图。在该模块上增加一个分支，应用SE-loss，规范网络的学习方向。