1. 图像语义分割
分割任务就是在原始图像中逐个像素的找到你需要的目标物体。
给每个像素打上标签（这个像素点是人、树、背景等）语义分割只区别类别，不区分类别中具体单位。
2. 实例分割
不光区分类别，还要区别类别中的每个个体。
比如把每人和背景分割，人出来之后，单个人的个体还需要进一步区分。
3. 损失函数：
1.逐个像素的交叉熵
2.考虑样本均衡的问题
3.交叉熵的公式：
加入了权重pos_weight，谁越少就越重要。
4. Focal loss
样本也由难易之分，就跟玩游戏一样，难度越高BOSS奖励越高。
Gamma通常设置为2，例如预测正样本概率0.95
?
(
1
?
0.95
)
2
=
0.0025
?
.
\ (1-0.95)^{2}=0.0025\,.
?(1?0.95)2=0.0025.
如果预测正样本概率是0.4：
?
(
1
?
0.5
)
2
=
0.25
?
.
\ (1-0.5)^{2}=0.25\,.
?(1?0.5)2=0.25.
以上0.0025和0.25相当于难易样本权值，难的权值高，易的权值低。
再结合样本数量的权值就是Focal loss