语义分割——尽管二进制交叉熵用于二进制图像分割，但仍使用分类交叉熵 [重复]答案

【问题标题】：Semantic Segmentation — Usage of Categorical Cross-Entropy in spite of Binary Cross-Entropy for Binary Image Segmentation [duplicate]语义分割——尽管二进制交叉熵用于二进制图像分割，但仍使用分类交叉熵 [重复]
【发布时间】：2020-03-16 04:14:58
【问题描述】：

我已经阅读了 SO 和 CValidated ，但仍然觉得我不完全理解以下问题。

如果我有一个二元分割（考虑一个医疗问题，你有健康和受损的组织），使用 BCE 还是 CCE 哪个损失更好？

有些人说（我完全理解）对于二进制分类，CCE 在计算上比 BCE 更昂贵，并且没有理由使用 CCE。虽然我理解理由，但我还没有找到一项研究清楚地并排比较最终输出/结果（使用 BCE 与 CCE 的验证/测试数据集上的 Acc/Dice/Jaccard 指标）。

在二进制分割方面是否存在 BCE 优于 CCE 或反之亦然的明显案例？

【问题讨论】：

两个类的分类交叉熵与二元交叉熵相同。
经过一番挖掘，我在这里找到了答案：stackoverflow.com/questions/57726064/…

标签： computer-vision image-segmentation cross-entropy semantic-segmentation

【解决方案1】：

答案在以下链接Binary cross entropy Vs categorical cross entropy with 2 classes 中提供。

据说从数学的角度来看（结果，而不是计算开销），两个类的 softmax 与 BCE 的情况完全相同，与 @f4f 的答案相同。

【讨论】：

要衡量是否有任何计算开销，您应该测试您的设置，显然它取决于使用的框架。但我认为最先进的框架在这两种情况下都会以相同的效率运行。
感谢您的回复，明智的观察。
不客气。