交叉熵?fù)p失函數(shù)好用是好用，但當(dāng)數(shù)據(jù)存在嚴(yán)重的不平衡問題的時(shí)候，會導(dǎo)致結(jié)果特別糟糕，特別是在醫(yī)學(xué)圖像分割問題中，一般目標(biāo)區(qū)域都比較小，背景區(qū)域比較大，此時(shí)用交叉熵?fù)p失函數(shù)的話得到的結(jié)果就不太好。

IOU loss介紹

IOU即是交并比，用相交的部分去除上并集，就得到IOU的值，1-IOU的值就是IOU Loss。至于IOU的數(shù)學(xué)定義去看百度百科吧，舉個(gè)例子：

上面兩張圖求IOU，白色區(qū)域?yàn)槟繕?biāo)區(qū)域，就是用兩張圖片的白色區(qū)域的交集去比上白色部分的并集，就得到了白色類別的IOU值。在實(shí)際工程中，一般黑色像素為類別0，白色為類別1。可以使用代碼輕松的求出IOU值。

Pytorch代碼

import numpy import torch import torch.nn as nn import torch.nn.functional as F class IoULoss(nn.Module):def __init__(self, weight=None, size_average=True):super(IoULoss, self).__init__()def forward(self, inputs, targets, smooth=1):#comment out if your model contains a sigmoid or equivalent activation layerinputs = F.sigmoid(inputs) #flatten label and prediction tensorsinputs = inputs.view(-1)targets = targets.view(-1)#intersection is equivalent to True Positive count#union is the mutually inclusive area of all labels & predictions intersection = (inputs * targets).sum()total = (inputs + targets).sum()union = total - intersection IoU = (intersection + smooth)/(union + smooth)return 1 - IoU

總結(jié)

以上是生活随笔為你收集整理的语义分割损失函数系列(2):IoU损失的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。