从loss处理图像分割中类别极度不均衡的状况—keras

置顶 2019-02-10 23:21:35 chestnut-- 阅读数 15597 文章标签： 图像分割kerasdice lossfocal loss类别不均衡更多

分类专栏： 深度学习笔记

 

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/m0_37477175/article/details/83004746

 

文章目录

• 前言
• 场景
• loss function
• 一、Log loss
• 二、WBE Loss
• 三、Focal loss
• 四、Dice loss
• 五、IOU loss
• 六、Tversky loss
• 七、敏感性--特异性 loss
• 八、Generalized Dice loss
• 九、BCE + Dice loss
• 十、Dice + Focal loss
• 十一、Exponential Logarithmic loss
• 参考

 

前言

最近在做小目标图像分割任务（医疗方向），往往一幅图像中只有一个或者两个目标，而且目标的像素比例比较小，使网络训练较为困难，一般可能有三种的解决方式：

1. 选择合适的loss function，对网络进行合理的优化，关注较小的目标。
2. 改变网络结构，使用attention机制（类别判断作为辅助）。
3. 与2的根本原理一致，类属attention，即：先检测目标区域，裁剪之后进行分割训练。

通过使用设计合理的loss function，相比于另两种方式更加简单易行，能够保留图像所有信息的情况下进行网络优化，达到对小目标精确分割的目的。

场景

1. 使用U-Net作为基准网络。
2. 实现使用keras
3. 小目标图像分割场景，如下图举例。
   AI Challenger眼底水肿病变区域自动分割，背景占据了很大的一部分
   
   segthor医疗影像器官分割
   

loss function

一、Log loss

对于二分类而言，对数损失函数如下公式所示：airbus-ship-detection。

二、WBE Loss

带权重的交叉熵loss — Weighted cross-entropy (WCE)[6]
R为标准的分割图，其中