语义分割小目标损失函数

### 适用于语义分割中处理小目标的损失函数 在语义分割任务中，尤其是针对小目标检测时，选择合适的损失函数至关重要。常用的损失函数包括交叉熵损失(Cross Entropy Loss)[^1] 和 Dice 损失(Dice Loss)，然而对于小目标而言，这些标准损失函数可能无法提供足够的优化效果。 #### Focal Loss Focal loss 是一种专门为解决类别不平衡问题而设计的损失函数，在处理小目标方面表现出色。该方法通过引入调制因子来降低容易样本对总损失的影响，使得模型更加关注难以分类的小目标实例[^3]。 ```python import torch.nn.functional as F def focal_loss(input, target, alpha=0.25, gamma=2.0): ce_loss = F.cross_entropy(input, target, reduction='none') pt = torch.exp(-ce_loss) focal_loss = alpha * (1-pt)**gamma * ce_loss return focal_loss.mean() ``` #### Lovász Softmax Loss Lovász softmax loss 基于子模理论(submodular theory)，能够直接最小化交并比(IoU)误差，特别适合多类别的密集预测任务如语义分割。这种特性有助于提高对小物体边界的捕捉精度[^2]。 ```python from lovasz_losses import lovasz_softmax loss = lovasz_softmax(probas, labels, only_present=True) ``` #### Tversky Loss 及其变体 Tversky index 是 Jaccard 系数的一种泛化形式，可以更好地平衡正负样本之间的权重分配。当调整参数 β 的取值时，可使模型更倾向于召回率(recall)或精确度(precision)，从而改善小目标区域的表现[^1]。 ```python def tversky_loss(true, logits, alpha, beta, smooth=1e-6): """Compute the Tversky loss. Args: true: Ground truth tensor with shape `[batch_size, height, width, num_classes]`. logits: Predicted logit scores from network output before applying activation function, has same shape as `true`. alpha: Weight of false negatives. beta: Weight of false positives. Returns: Scalar value representing mean Tversky score across all classes and batches. """ # Convert probabilities to one-hot encoding probas = F.softmax(logits, dim=-1) tp = (probas * true).sum(dim=(1, 2)) fp = ((1 - true) * probas).sum(dim=(1, 2)) fn = (true * (1 - probas)).sum(dim=(1, 2)) tversky_index = (tp + smooth) / (tp + alpha * fn + beta * fp + smooth) return 1 - tversky_index.mean() # Example usage alpha = 0.7 # Adjust according to dataset characteristics beta = 1 - alpha tversky_loss_value = tversky_loss(labels_one_hot, predictions_logits, alpha, beta) ```