语义分段丢失功能

时间:2018-05-24 20:24:45

标签: tensorflow neural-network deep-learning image-segmentation semantic-segmentation

对于二元分割问题,以加权方式组合交叉熵损失和骰子得分是否有意义?

优化骰子得分会产生超过分割的区域,而交叉熵损失会为我的应用产生欠分割区域。

1 个答案:

答案 0 :(得分:4)

我认为将这两种损失结合起来并没有什么坏处,因为它们非常正确。#34;正交"对彼此;虽然交叉熵将每个像素视为一个独立的预测,但是骰子分数会在更多的整体中查看所得到的掩模。方式。
此外,考虑到这两种损失会产生明显不同的掩模,每种掩模各有其优点和缺点,我认为将这些补充信息结合起来应该是有益的。
确保你对损失进行加权,使得两次损失的梯度大致相同,因此你可以从两者中获益。

如果你发挥作用,我有兴趣听听你的实验和结论;)