Dice loss和交叉熵损失在二分类语义分割中的计算

  • dice loss
    引用:Dice Loss 最先是在VNet 这篇文章中被提出,后来被广泛的应用在了医学影像分割之中。
    在这里插入图片描述
    语义分割,X表示gt分割图,Y表示pred分割图
    Dice loss和交叉熵损失在二分类语义分割中的计算_第1张图片
    Dice loss和交叉熵损失在二分类语义分割中的计算_第2张图片
    优点:对正负样本不平衡问题有很好效果,但会使模型训练的loss不稳定(尤其是当正样本为小目标时)

  • 交叉熵
    Dice loss和交叉熵损失在二分类语义分割中的计算_第3张图片
    矩阵计算形式
    Dice loss和交叉熵损失在二分类语义分割中的计算_第4张图片
    在这里插入图片描述
    Dice loss和交叉熵损失在二分类语义分割中的计算_第5张图片Dice loss和交叉熵损失在二分类语义分割中的计算_第6张图片
    上述操作等价于
    Dice loss和交叉熵损失在二分类语义分割中的计算_第7张图片

你可能感兴趣的:(深度学习基础,语义分割,分类,人工智能)