deeplabv3+损失函数

### DeepLabV3+ 使用的损失函数

DeepLabV3+ 中采用的损失函数通常为交叉熵损失函数 (Cross-Entropy Loss)，这是语义分割任务中最常用的损失函数之一[^1]。该损失函数能够有效地衡量预测像素标签分布与真实标签之间的差异。

对于每个像素位置 \(i\) 和类别数 \(C\) ，如果 \(y_i\) 表示真实的类别标签，而 \(p_{ic}\) 是模型预测的概率，则二元交叉熵可以表示如下：

\[ L(y, p) = -\sum_{c=1}^{C} y_c \log(p_c) \]

在实际应用中，为了加速收敛并提高性能，还会加入权重因子来平衡不同类别的样本不均衡问题。具体实现可以通过调整各类别间的权重系数完成。

以下是使用 PyTorch 实现加权交叉熵损失的一个简单例子:

import torch.nn as nn

class WeightedCELoss(nn.Module):
    def __init__(self, weight=None):
        super(WeightedCELoss, self).__init__()
        self.loss_fn = nn.CrossEntropyLoss(weight=weight)

    def forward(self, inputs, targets):
        loss = self.loss_fn(inputs, targets)
        return loss

此代码片段展示了如何创建一个带有可选权重参数 `weight` 的自定义损失模块 `WeightedCELoss` 。当提供给定的权重向量时，这将有助于解决数据集中存在的类别不平衡现象[^2]。