没有合适的资源?快使用搜索试试~ 我知道了~
图像分割模型调优技巧,loss函数大盘点1
需积分: 0 0 下载量 107 浏览量
2022-08-04
14:35:45
上传
评论 1
收藏 3.29MB PDF 举报
温馨提示
试读
18页
1简介深度学习彻底改变了从软件到制造业的各个业。深度学习在医学界的应也分泛,例如使U-Net进肿瘤分割、使SegNet进癌症检测等。在这些应中,图像分割是关重要
资源详情
资源评论
资源推荐
这
是
⼀
篇
关
于
图
像
分
割
损
失
函
数
的
总
结
,
具
体
包
括
:
1. Binary Cross Entropy
2. Weighted Cross Entropy
3. Balanced Cross Entropy
4. Dice Loss
5. Focal loss
6. Tversky loss
7. Focal Tversky loss
8. log-cosh dice loss (
本
⽂
提
出
的
新
损
失
函
数
)
论
⽂
地址
:
https://arxiv.org/pdf/2006.14822.pdf
代
码
地址
:
https://github.com/shruti-jadon/Semantic-Segmentation-Loss-Functions
项
⽬
推
荐
:
https://github.com/JunMa11/SegLoss
图
像
分
割
⼀
直
是
⼀个
活
跃
的
研
究
领
域
,
因
为
它
有
可
能
修
复
医
疗
领
域
的
漏
洞
,
并
帮
助
⼤
众
。
在
过
去
的
5
年
⾥
,
各
种
论
⽂
提
出
了不
同
的
⽬
标
损
失
函
数
,
⽤
于不
同
的
情
况
下
,
如
偏
差
数
据
,
稀
疏
分
割
等
。
在
本
⽂
中
,
总
结
了
⼤多
数
⼴
泛
⽤
于
图
像
分
割
的
损
失
函
数
,
并
列出
了
它
们
可
以
帮
助
模
型
更
快
速
、
更
好
的
收敛
模
型
的
情
况
。
此
外
,
本
⽂
还
介
绍
了⼀
种
新
的
log-cosh di
ce
损
失
函
数
,
并
将
其
在
NBFS skull-stripping
数
据
集
上与
⼴
泛
使
⽤
的
损
失
函
数
进
⾏
了
性
能
⽐
较
。
某
些
损
失
函
数
在
所
有
数
据
集
上
都
表
现
良
好
,
在
未
知
分
布
数
据
集
上
可
以
作
为⼀个
很
好
的
选
择
。
1
简
介
深
度
学
习
彻
底
改
变
了
从
软
件
到制
造
业
的
各
个
⾏
业
。
深
度
学
习
在
医
学
界
的
应
⽤
也
⼗
分
⼴
泛
,
例
如
使
⽤
U-Net
进
⾏
肿
瘤
分
割
、
使
⽤
SegNet
进
⾏
癌
症
检
测
等
。
在
这
些
应
⽤
中
,
图
像
分
割
是
⾄
关
重
要
的
,
分
割
后
的
图
像
除
了
告
诉
我
们
存
在
某
种
疾病
外
,
还
展
⽰
了
它
到
底
存
在
于
何
处
,
这
为
实
现
⾃
动
检
测
CT
扫
描
中
的
病
变
等
功
能
提
供
基
础
保
障
。
图
像
分
割
可
以
定
义为
像
素
级
别
的
分
类
任
务
。
图
像
由
各
种
像
素
组
成
,
这
些
像
素
组
合
在
⼀
起
定
义了
图
像
中
的
不
同
元
素
,
因
此
将
这
些
像
素
分
类
为⼀
类
元
素
的
⽅
法
称
为
语
义
图
像
分
割
。
在
设
计
基
于
复
杂
图
像
分
割
的
深
度
学
习
架
构
时
,
通
常
会
遇
到
了⼀个
⾄
关
重
要
的
选
择
,
即
选
择
哪
个
损
失
/
⽬
标
函
数
,
因
为
它
们会
激
发
算
法
的
学
习
过
程
。
损
失
函
数
的
选
择
对
于
任
何
架
构
学
习
正
确
的
⽬
标
都
是
⾄
关
重
要
的
,
因
此
⾃
2012
年
以
来
,
各
种
研
究
⼈
员
开
始
设计
针
对
特
定
领
域
的
损
失
函
数
,
以
为
其
数
据
集
获
得
更
好
的
结
果
。
在
本
⽂
中
,
总
结
了
15
种
基
于
图
像
分
割
的
损
失
函
数
。
被
证
明
可
以
在
不
同
领
域
提
供
最
新
技
术
成
果
。
这
些
损
失
函
数
可
⼤
致
分
为
4
类
:
基
于
分
布
的
损
失
函
数
,
基
于
区
域
的
损
失
函
数
,
基
于
边
界
的
损
失
函
数
和
基
于
复
合
的
损
失
函
数
(
Distribution-based,Region-based, Boundary-b
ased, and Compounded
)
。
本
⽂
还
讨论
了
确
定
哪
种
⽬
标
/
损
失
函
数
在
场
景
中
可
能
有
⽤
的
条
件
。
除
此
之
外
,
还
提
出
了⼀
种
新
的
log-cosh dice
损
失
函
数
⽤
于
图
像
语
义
分
割
。
为了
展
⽰
其
效
率
,
还
⽐
较
了
NBFS
头
⾻
剥
离
数
据
集
上
所
有
损
失
函
数
的
性
能
。
2 Distribution-based loss
1. Binary Cross-Entropy
⼆
进
制
交
叉
熵
损
失
函
数
交
叉
熵
定
义为
对
给
定
随
机
变
量
或
事
件
集
的
两个
概
率
分
布
之
间
的
差
异
的
度
量
。
它
被
⼴
泛
⽤
于
分
类
任
务
,
并
且
由
于
分
割
是
像
素
级
分
类
,
因
此
效
果
很
好
。
在
多
分
类
任
务
中
,
经
常
采
⽤
soft
max
激
活
函
数
+
交
叉
熵
损
失
函
数
,
因
为
交
叉
熵
描
述
了两个
概
率
分
布
的
差
异
,
然
⽽
神
经
⽹
络
输
出
的
是
向
量
,
并
不
是
概
率
分
布
的
形式
。
所
以
需
要
softmax
激
活
函
数
将
⼀个
向
量
进
⾏
“
归
⼀
化
”
成
概
率
分
布
的
形式
,
再
采
⽤
交
叉
熵
损
失
函
数
计
算
loss
。
交
叉
熵
损
失
函
数
的
具
体
表
达
为
:
其
中
,
表
⽰
样
本
i
的
label,
正
类
为
1
,
负
类
为
0
。
表
⽰
预
测
值
。
如
果
是
计
算
个
样
本
的
总
的
损
失
函
数
,
只
要
将
个
Loss
叠
加
起
来
就
可
以
了
:
交
叉
熵
损
失
函
数
可
以
⽤
在
⼤多
数
语
义
分
割
场
景
中
,
但
它
有
⼀个
明显
的
缺
点
:
当
图
像
分
割
任
务
只
需
要
分
割前
景
和
背
景
两
种
情
况
。
当
前
景
像
素
的
数
量
远远
⼩
于
背
景
像
素
的
数
量
时
,
y=0
的
数
量
远
⼤
于
y=1
的
数
量
,
损
失
函
数
y=0
的
成
分
就
会
占
据
主
导
,
使
得
模
型
严
重
偏
向
背
景
,
导
致
效
果
不
好
。
#
⼆
值
交
叉
熵
,
这
⾥
输
⼊
要
经
过
sigmoid
处
理
importtorch
import torch nn as nn
剩余17页未读,继续阅读
woo静
- 粉丝: 23
- 资源: 347
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0