[人工智能]9-图像分割之BiSeNet

1.前置

分割常用损失函数：

交叉熵：兼容大部分语义分割场景，但是在二分类场景中如果某一类所占像素特别多那么模型会偏向这一类，分割效果不好。

加权交叉熵：顾名思义，在交叉熵前面加一个权重，可以有效缓解类不平衡问题。

BCELoss:可以理解为二分类情况下的交叉熵，通常接sigmoid激活函数

Focal Loss：主要是为了解决难易样本数量不平衡的问题（即样本中容易区分的占大多数，使得模型偏向于区分简单样本，而不去优化对于难区分样本的判断），同时对交叉熵函数引入参数调节，也可以同时处理正负样本不平衡的问题（举例来说就是前景和背景所占比例差别很大），目前主要使用二分类问题。

参考：

B站深度之眼