语义分割时代的损失函数：调查与展望
本文介绍了广泛用于图像分割的知名损失函数，并列出了能够帮助模型快速优化的情况。同时，我们还介绍了一种新的 Log-cosh Dice 损失函数，并与广泛使用的损失函数在 NBFS 颅骨分割开源数据集上进行了比较。我们还展示了某些损失函数在所有数据集上表现良好，并可作为未知数据分布情况下的良好基准选择。欲了解更多信息，请访问 Github 链接。
Jun, 2020
本文针对图像处理的默认选择 L2 损失函数提出了替代选择。通过比较几种损失函数的性能并提出一种新的可微错误函数，本研究显示出更好的损失函数会显著地提高图像恢复的质量，即使神经网络的结构不变。
Nov, 2015
本文综述了关于图像分割的研究，特别关注了基于深度学习模型的语义分割和实例分割方法，包括全卷积像素标定网络、编码器 - 解码器架构、多尺度与基于金字塔的方法、循环神经网络、视觉注意力模型和对抗生成模型。我们探讨了这些深度学习模型的相似性，能力和挑战，并讨论了未来的研究方向。
Jan, 2020
本文介绍了一种基于不确定性加权方案的损失函数，用于对抗攻击，通过将更容易受到干扰的像素分类放大并清零已经被错误分类的像素的损失，以提高扰动性能。在多个数据集和模型的实证分析中，我们证明了这些加权方案能够显著改善扰动性能。
Oct, 2023
本文提出利用判别式损失函数的像素级卷积神经网络来实现简单的图像实例分割，不需要借助物体提议或循环机制，仅仅通过一个后处理步骤即可完成聚类，简单有效且具有竞争性。
Aug, 2017
本文对基于深度学习的医学和非医学图像分割解决方案进行归类，并从六个主要类别 —— 深度架构、数据合成、损失函数、顺序模型、弱监督和多任务方法对其进行综合性评估。进一步地，对于每一组，我们分析了这些组合的每一个变种，并讨论了当前方法的局限性和未来研究方向。
Oct, 2019
通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。
May, 2019
本文主要介绍了在深度网络训练中设计适当的损失函数的重要性，特别是在语义分割领域，介绍了自动设计指标特定损失函数的方法，并介绍了代替度量中不可微分操作的可参数化函数以及在参数搜索中使用的两个约束。实验表明，所搜索的替代损失函数在其他数据集和网络上也具有良好的泛化能力，与手动设计的损失函数相比性能更好。
Oct, 2020