语义分割损失函数

1. 交叉熵损失

语义分割时相当于对每个像素进行分类，所以实际是一个分类任务

对每一个像素的预测值与实际值比较，将损失求平均，是所以最常用的还是交叉熵损失

self.CE = nn.CrossEntropyLoss(weight=weight, ignore_index=ignore_index, reduction=reduction)

loss = self.CE(outputs, target)

 

2. 带权重的交叉熵损失

 交叉熵Loss 可以用在大多数语义分割场景中，但它有一个明显的缺点，那就是对于只分割前景和背景

的时候，当前景像素的数量远远小于背景像素的数量时，即出现样本不平衡的的时候，损失函数中y=背景

的成分就会占据主导，使的模型严重偏向背景，导致效果不好。

为解决样本不平衡问题，

在多样本损失加一个小的权重，在少样本损失加一个大的权重

self.CE_loss = nn.CrossEntropyLoss(reduce=False, ignore_index=ignore_index, weight=alpha)

 

3. FoaclLoss

Focal Loss 用于解决难以样本数量不平衡问题，即更关注难分对样本的损失。一个简单的想法就是将高置信度的

样本的损失降低，低置信度的样本损失提高

 当p = 0.9 的时候，取 gamma=2, 损失降低了1000倍。

self.CE_loss = nn.CrossEntropyLoss(reduce=False, ignore_index=ignore_index）

logpt = self.CE_loss(output, target)

pt = torch.exp(-logpt)

loss = (1-pt)**self.gamma * logpt

loss.mean()

 

4. Dice Loss

用来度量集合相似度的度量函数，通常用于计算两个样本之间的像素。

   

class DiceLoss(nn.Module):
  def __init__(self, smooth=1, ignore_index=255):
    super(DiceLoss, self).__init__()
    self.ignore_index = ignore_index
    self.smooth = smooth

  def forward(self, output, target):
    if self.ignore_index not in range(target.min(), target.max()):
      if (target == self.ignore_index).sum() > 0:
        target[target==self.ignore_index] = target.min()

　　# 转化成one-hot形式
    target = make_one_hot(target.unsqueeze(dim=1), classes=output.size()[1])
   # 转化为概率
    output = F.softmax(output, dim=1)
    output_flat = output.contiguous().view(-1)
    target_flat = target.contiguous().view(-1)
# 重合部分
    intersection = (output_flat * target_flat).sum()

    loss = 1 - (2 * intersection + self.smooth) / (output_flat.sum() + target_flat.sum() + self.smooth)