当人们尝试用CNN来解决语义分割的任务时，他们通常在训练期间使用softmax-crossentropy损失（参见Fully conv. - Long）。但是，当涉及到比较不同方法的表现时，报告了诸如交叉结合的措施。
我的问题是为什么不让人们直接接受他们想要优化的措施？在训练期间对我进行一些测量训练似乎很奇怪，但评估基准的另一个衡量标准。
我可以看到IOU在训练样本方面存在问题，其中类不存在（union = 0且intersection = 0 =＆gt;除零除零）。但是，当我可以确保我的基本事实的每个样本都包含所有类别时，还有其他原因不使用这个度量吗？
答案 0 :(得分：5)
查看此paper，他们想出了一种方法，使IoU的概念可以区分。我实施了他们的解决方案，效果惊人！
答案 1 :(得分：2)
这就像询问＆＃34;为什么分类我们训练日志损失而不是准确性？＆＃34;。原因很简单 - 你不能直接训练大多数指标，因为它们不是可区分的。你的参数（或至少不产生漂亮的错误表面）。对数损失（softmax crossentropy）是准确性的有效替代。现在你是完全正确的，用一些你感兴趣的度量标准的有效代码进行培训是完全正确的，并且链接的文件没有做得好，因为他们正在考虑至少一些指标 - 我们可以很容易显示出良好的代理（就像加权准确性一样，你所要做的就是减肥记录）。
答案 2 :(得分：2)
我总是使用均值借条来训练细分模型。更确切地说，-log（MIOU）。普通的-MIOU作为损失函数，由于其范围窄（0,1）且表面陡峭，因此很容易使优化器陷于0附近。通过采用其对数标度，损失面变得缓慢且易于训练。
答案 3 :(得分：0)
这是另一种以简单的方式思考这个问题的方法。
请记住，在解决相关图像问题时，仅仅评估精度或IoU等指标是不够的。评估指标还必须帮助网络学习权重必须轻推的方向，以便网络可以有效地学习迭代和时期。
评估这个方向是早期评论意味着错误可区分。我想网络可以用来说IoU指标没什么可说的：“嘿，它不完全在这里，但我必须把我的边界框移到左边！”
只是一个解释的涓涓细流，但希望它有所帮助..