Huc*_*inn 8 neural-network image-segmentation deep-learning tensorflow semantic-segmentation
对于二元分割问题,以加权方式组合交叉熵损失和骰子得分是否有意义？
优化骰子得分会产生超过分割的区域,而交叉熵损失会为我的应用产生欠分割区域.
我认为将这两种损失结合起来没有什么害处，因为它们彼此非常“正交”；虽然交叉熵将每个像素视为独立预测，但骰子评分以更“整体”的方式查看生成的掩码。
此外，考虑到这两种损失会产生明显不同的掩码，每个掩码都有自己的优点和错误，我认为结合这些补充信息应该是有益的。
确保对损失进行加权，使两个损失的梯度大致相同，这样您就可以平等地从两者中受益。
如果你成功了，我很想听听你的实验和结论；)
| 归档时间： |
|
| 查看次数： |
1863 次 |
| 最近记录： |