1.语义分割
语义分割就是把每个像素都打上标签（这个像素点是人，树，背景等）（语义分割只区分类别，不区分类别中具体单位）
2.实例分割
实例分割不光要区别类别，还要区分类别中每一个个体
3.分割任务的损失函数定义
逐像素的交叉熵： 还经常需要考虑样本均衡问题
交叉熵损失函数公式如下：
增加难负样本的权重
Gamma通常设置为2，例如预测正样本概率0.95， 如果预测正样本概率0.4， （相当于样本的难易权值）。再结合样本数量的权值就是Focal Loss
4.IOU计算
多分类任务时：iou_dog = 801 / true_dog + predict_dog - 801
IoU(Intersection over Union，交并比)
Dice系数和mIoU是语义分割的评价指标，在这里进行了简单知识介绍。讲到了Dice顺便在最后提一下Dice Loss，以后有时间区分一下在语义分割中两个常用的损失函数，交叉熵和Dice Loss。
一、Dice系数
1.概念理解
Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]：
其中 |X∩Y| 是X和Y之间的交集，|X|和|Y|分表表示X和Y的元素的个数，其中，分子的系数为2，是因为分母存在重复计算X和Y之间的共同元素的原因。
对于语义分割问题而言，X-GT分割图像(Ground Truth)，Y-Pred分割图像
看图一直观理解一下
图一 Dice系数示意图
公式就可以理解为
2.实际计算
首先将 |X∩Y| 近似为预测图pred和label GT 之间的点乘，并将点乘的元素的结果相加：
（1）预测分割图与 GT 分割图的点乘：
（2）逐元素相乘的结果元素的相加和：
对于二分类问题，GT分割图是只有0,1两个值的，因此 |X∩Y| 可以有效的将在 Pred 分割图中未在 GT 分割图中激活的所有像素清零. 对于激活的像素，主要是惩罚低置信度的预测，较高值会得到更好的 Dice 系数.
（3）计算|X|和|Y|，这里可以采用直接元素相加，也可以采用元素平方求和的方法：
三、Dice Loss
Dice Loss的计算公式非常简单如下：
这种损失函数被称为 Soft Dice Loss，因为我们直接使用预测概率而不是使用阈值或将它们转换为二进制mask。
Soft Dice Loss 将每个类别分开考虑，然后平均得到最后结果。比较直观如图三所示。
图三 soft dice loss
需要注意的是Dice Loss存在两个问题：
(1)训练误差曲线非常混乱，很难看出关于收敛的信息。尽管可以检查在验证集上的误差来避开此问题。
(2)Dice Loss比较适用于样本极度不均的情况，一般的情况下，使用 Dice Loss 会对反向传播造成不利的影响，容易使训练变得不稳定。
所以在一般情况下，还是使用交叉熵损失函数。
