考虑数据分布损失的图像分割

作者：张震; 彭景昊; 田鸿朋

来源：计算机工程与应用, 2023, 1-9.

• 损失函数
• 图像分割
• 不平衡数据
• 深度学习

在图像分割任务中，损失函数的选择直接影响模型的收敛过程和最终精度。交叉熵损失函数（Cross-Entropy Loss， CEL）具有稳定的收敛性，但在面临数据分布不均衡的情况下精度较低。Dice损失函数（Dice Loss， DL）通过区域面积计算，在处理不均衡数据时能够获得较高的精度，但在多类别数据集上难以训练。为了解决这些问题，提出了一种的交叉熵损失函数（Dice Cross-Entropy Loss， DCEL），它对正样本使用交叉熵计算损失值，而对负样本使用交叉熵与交并比（IOU）的乘积计算损失值。这样设计使得DCEL在多类别数据集上梯度与误差正相关，有利于模型的收敛性，并通过压缩负样本损失值提升对正样本的关注度，从而提升了图像分割算法的精度。DCEL的性能在ADE20k、PASCAL VOC、LoveDA和HRF数据集上进行了验证。

• 单位
  郑州大学