对于二元分割问题，以加权方式结合交叉熵损失和骰子分数是否有意义？
优化骰子分数会产生过度分割的区域，而交叉熵损失会为我的应用程序产生分割不足的区域。
【问题讨论】：
标签： tensorflow neural-network deep-learning image-segmentation semantic-segmentation
我认为将这两种损失结合起来并没有什么坏处，因为它们彼此非常“正交”；交叉熵将每个像素视为一个独立的预测，而 dice-score 则以更“全面”的方式查看生成的掩码。
此外，考虑到这两种损失会产生明显不同的掩码，每个掩码都有自己的优点和错误，我认为结合这些互补信息应该是有益的。
确保对损失进行加权，以使两个损失的梯度大致处于相同的比例，这样您就可以从两者中同等受益。
如果你成功了，我很想听听你的实验和结论；）
【讨论】：
make sure you weight the losses such that the gradients from the two losses are roughly in the same scale，假设loss = alpha * bce + beta * dice。