加权二元交叉熵损失和骰子系数损失

加权二元交叉熵损失和 Dice 系数损失是在深度学习尤其是图像分割任务中常用的评价指标或损失函数。

**加权二元交叉熵损失 (Weighted Binary Cross-Entropy Loss)**：这是一种针对二分类问题设计的损失函数，特别是在类别不平衡的情况下。它对正负样本赋予不同的权重，通常会给予少数类更高的权重，使得模型更关注那些难以区分的例子。计算公式可以是 \( L = - \sum_{i=1}^{N}(w_i y_i \log(p_i) + (1-y_i)\log(1-p_i)) \)，其中 \( w_i \) 是第 i 个样本的权重，\( y_i \) 是真实标签，\( p_i \) 是模型预测的概率。

**Dice 系数损失 (Dice Coefficient Loss)**：也称为F分数损失，主要用于评估像素级别的分割准确度，尤其在目标较小或者密集的场景下。Dice系数是一种衡量两个集合相似度的指标，把它转化为损失形式是为了最大化这个系数。它的计算公式是 \( L = 1 - \frac{2|A \cap B|}{|A| + |B|} \)，其中 \( A \) 和 \( B \) 分别是真实标注和预测结果的像素集合。Dice损失鼓励模型生成尽可能精确匹配真实标记的预测。