Henry的博客

图像分割的mask是图片格式的话，往往是阈值图像，这样有几个阈值就是分割几个类别的这里提供代码检测mask的类别个数输出如下，可以看出这个数据分割是2类的（加上背景nc=3）

label标注的标签是json格式，会对选择的区域进行打点标记，所有的点围成不规则的多边形区域，中间的部分就是分割的区域。这里编写了python脚本，可以把json文件转为图片格式，这里是png格式。

因为分割的数据格式问题，图像如何显示问题，可能会出现一些问题。代码使用了好几种不同的分割数据集测试均可实现，可以保证大部分数据的可视化具体的问题，在后文介绍。

关于图像分割任务中按照比例将数据集随机划分成训练集和测试集

介绍了语义分割中利用混淆矩阵计算性能指标的方法

因为，label = 1有一个，label = 0 有两个，所以1的样本较少，这里就对label = 1设置权重大点。所以，loss = -(ln0.69+ln0.3543+ln0.5987)/3 = -（ln0.1464） / 3 = 0.6406。所以，在样本不均衡的情况下，加label少的样本，w加大，可以将loss变大，从而梯度下降的时候可以更好的弥补样本不平衡的问题。可以发现，label 是 0 1 2 三类，这里将label = 2的忽略，并且对0 1 2施加的权重为 2 1 2。

图像分割预处理的重新实现

计算机视觉的三大任务：图像分类(识别)、图像分割、目标检测关于图像分割可以分为三类：语义分割、实例分割、全景分割其中，语义分割就是将图像的不同语义划分出来，图像的语义就是某一部分代表什么意思。例如，将下面图像中的飞机分割出来实例分割就是对不同类别的分割，比如都是飞机，但是，不是同一种或者同一个飞机而全景分割，就是前两者的综合。

解释分类和分割中，CrossEntropyLoss 交叉熵损失函数的作用

dice 和 iou 都是衡量两个集合之间相似性的度量dice计算公式：iou计算公式：iou的集合理解：iou 其实就是两个区域的 overlap 部分和 union 部分的比值，也就是两个集合的交集/并集dice 的分母不是并集，因为dice的分母是两个区域的和，A+B = A + B - A∩B，所以dice的分母其实是少减去了一个A∩B，所以就让分子的A∩B扩大2倍。

目录1. sigmoid + BCELoss2. BCEWithLogitsLoss3. gossip本篇文章是在做图像分割任务，关于损失函数的一些内容。这里需要的损失函数是：BCEWithLogitsLoss() 就是：sigmoid + BCELoss接下来通过例子来讲解，例如图像分割的时候，网络输出的预测图像是2*2 的矩阵，这里是input这里先用sigmoid 将输出压缩到0-1之间 这里要计算 predict 和 label 的损失之，假如这里label是下面的形式。label是一个二阶的单位阵