CV 基础(二)
损失函数
BCE Loss
二值交叉熵(Binary Cross Entropy, 简称 BCE)损失函数是二值图像分割中的常用损失函数之一。它用于衡量模型预测的二值输出与实际标签之间的差异。下面是对 BCE 损失函数的详细解释。
基于交叉熵的概念,交叉熵是一种衡量两个概率分布之间差异的指标。在二值图像分割中,真实标签 和预测概率 可以被看作两个二元分布。其中
- 是第 个像素的真实标签(0 或 1)。
- 是模型预测的第 个像素属于前景的概率(0 到 1 之间的值)。
- 当真实标签 时,损失函数的第一部分 起作用,如果 越接近 1,损失值越小。
- 当真实标签 时,损失函数的第二部分 起作用,如果 越接近 0,损失值越小。
因此,当模型预测的概率接近真实值时,BCE 损失会较小;反之,如果预测值与真实值偏离较大,损失值就会增大。
Norm
归一化输出,使最终结果更加稳定。
实验结果评估
t-SNE
可视化效果最好的降维算法。可用于绘图。
PSNR (Peak Signal-to-Noise Ratio)
衡量重建图像(如超分辨率、去噪)与原始图像的像素级误差,数值越大越好。
- :图像像素最大值(如 8 位图像为255)
- :均方误差
特点:
- 计算简单,但对人类视觉感知不敏感(可能与人眼评价不一致)。
- 单位:分贝(dB),通常值在 20~40 之间,越高越好。
SSIM (Structural Similarity Index)
评估两图像在亮度、对比度和结构上的相似性,数值范围 [0,1],越大越好。
其中
- :图像 和 的均值(亮度)
- :标准差(对比度)
- :协方差(结构相关性)
- :防止除零的小常数(如 , , 为像素范围)
特点:
- 更符合人类视觉感知,但对局部失真不敏感。
其他指标
- FID
- LPIPS
过拟合 局部最优
过拟合 模型在训练集上表现极好,但在测试集上泛化能力差,通常因为模型过于复杂或数据量不足,导致“记住了噪声而非规律”。
局部最优值 指优化算法(如梯度下降)陷入损失函数的某个局部最小值(非全局最优),导致模型性能未达到最佳。
从数据、模型、损失函数三个方面理解局部最优。如果局部最优对应的是一个低质量的解(如拟合了噪声),可能表现为过拟合;如果局部最优对应的是欠拟合解(如模型能力不足),则与过拟合无关。
应对措施
可以通过正则化方法(如 正则、Dropout)消除一些局部最优点,使优化更易接近全局最优。以 -norm 为例,通过添加权重惩罚项,使损失函数更平滑,减少陷入尖锐局部最优的风险。
除此之外,数据增强、Batch Normalization、简化模型可有效避免过拟合,一定程度上避免陷入局部最优。配合自适应优化器(如 Adam)、学习率衰减、随机权重初始化等策略规避局部最优。
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 Miya's Blog!
评论