语义分割的损失函数

        语义分割任务实际上是一种像素层面上的分类，需要识别图像中存在的内容和位置，同样也存在与分类类似问题-样本类别不平衡，对于语义分割更多的是前景区域的样本远小于背景区域。针对类别不平衡问题，在loss层面上有不同的选择。

1. dice Loss

dice loss 源于dice系数，是用于度量集合相似度的度量函数，通常用于计算两个样本之间的相似度，公式如下：

 那么对应的dice loss的公式如下：

 为了防止分母预测为0，会在分子和分母上加上一个平滑系数，公式如下。需要注意的是，一般预测值会经过sigmoid或softmax计算概率，是不存在输出为0的情况，但为了防止输出值过小的情况。

 根据dice loss的定义可以看出，dice loss是一种区域相关的loss，也即意味着某像素点的loss以及梯度值不仅和该点的label和预测值相关，也与其他点的label及预测值相关。dice loss可用于样本极度不均衡的情况，而在一般情况下使用dice loss会对反向传播有不利的影