前言

• 场景
• loss function
• • 一、Log loss
  • 二、WBE Loss
  • 三、Focal loss
  • 四、Dice loss
  • 五、IOU loss
  • 六、Tversky loss
  • 七、敏感性–特异性 loss
  • 八、Generalized Dice loss
  • 九、BCE + Dice loss
  • 十、Dice + Focal loss
  • 十一、Exponential Logarithmic loss
• 参考

• 前言

  最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：

  1. 选择合适的loss function，对网络进行合理的优化，关注较小的目标。
  2. 改变网络结构，使用attention机制（类别判断作为辅助）。
  3. 与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。

  通过使用设计合理的loss function，相比于另两种方式更加简单易行，能够保留图像所有信息的情况下进行网络优化，达到对小目标精确分割的目的。

  场景

  1. 使用U-Net作为基准网络。
  2. 实现使用keras
  3. 小目标图像分割场景，如下图举例。
     AI Challenger眼底水肿病变区域自动分割，背景占据了很大的一部分
     
     segthor医疗影像器官分割
     

  loss function

  一、Log loss

  对于二分类而言，对数损失函数如下公式所示： $$-1N\sum Ni=1(yilogpi+(1-yi)log(1-pi))-1N\sum i=1N(yilogpi+(1-yi)log(1-pi))-\frac{1}{N}\sum _{i=1}^N(y_i\log p_i+(1-y_i)\log (1-p_i))$$T(A,B)=∣A⋂B∣+α∣A−B∣+β∣B−A∣∣A⋂B∣​
  再抄一遍Dice系数公式：
  $$DSC(A,B)=2\mid A\bigcap B\mid \mid A\mid +\mid B\mid$$