圖像分割領域常見的loss fuction有哪一些？

RT

第一，softmax+cross entropy loss，比如fcn和u-net。

第二，sigmoid+dice loss, 比如v-net，只適合二分類，直接優化評價指標。

第三，第一的加權版本，比如segnet。其實最早是david eigen用的。

第四，online bootstrapped cross entropy loss，比如FRNN。其實最早是沈春華用的。最近湯曉鷗老師的學生也用。像素級的難例挖掘。

第五，使用adversarial training，加入gan loss。

最簡單的自然是逐像素分類了，也是segmentation領域第一篇深度方法的論文fcn的做法。

此外就是crf了，利用rnn的形式去改進crf使得其能夠end2end learning。當然發展出來的mrf之類的也有一些。

至於一些新論文沒怎麼細跟，從我個人理解來說，如果硬要說的話，instance segmentation里引入detection loss來粗定位，然後再做切割也是不錯的。

然後既然是逐像素分類，理論上focal loss以及其他的改進版classifaction loss和對應的hard sample之類的方法亦是可行。逐像素分類，其實類別應該存在嚴重的不均衡，可以考慮引入一些策略做一些改進。

如果還有思路的話，不妨多去看看傳統segmentation的方法，試著學習crf把其套入cnn里，用貝葉斯去約束，的確也是個水論文的好路線。

題主說的是語義分割？

按照物體的語義信息來進行像素級別的分割。最常用的為PASCAL VOC 2012數據集 有20種前景物體。

在這類問題上，最常用的是分類Loss： Cross-entropy loss

每個像素做21類（20前景+1背景） 分類。

非監督的方法，比如k-mean 聚類，基於邊緣信息和區域信息的曲線演化模型，圖優化方式的graphcut和random walk以及基於Hamilton-Jacobi/Bellman方程的shortest path方法等。

PS 我是做PDE驅動的分割方法的.