BiSeNet V2损失函数详解：从理论到实践的新手指南

1次阅读

共计 2402 个字符，预计需要花费 7 分钟才能阅读完成。

图像分割任务中最大的两个痛点就是类别不平衡和边界模糊。简单来说，当你的数据集中某些类别（比如背景）的像素数量远远多于其他类别（比如小物体）时，普通的交叉熵损失会让模型直接 ” 躺平 ”——倾向于把所有像素都预测为占比大的类别。

另一个常见问题是物体边缘分割不准确，就像用马克笔描边时手抖画出的锯齿状效果。BiSeNet V2 通过组合三种损失函数来应对这些问题：

交叉熵损失（主损失）——保证基础分类能力
Dice 损失（辅助损失）——改善类别不平衡
细节损失——强化边缘分割精度

这个老熟人公式大家应该都见过：

L_{CE} = -\sum_{c=1}^C y_c \log(p_c)

但在实际实现时要注意两点：

需要对预测结果做 softmax 归一化
可以添加权重参数应对类别不平衡

Dice 系数的设计非常巧妙——直接衡量预测和真实标签的重叠程度：

Dice = \frac{2|X \cap Y|}{|X| + |Y|}

对应的损失函数就是 1 -Dice。它的特点是：

对类别不平衡天然鲁棒
但对小目标的预测可能过于严格

BiSeNet V2 在辅助分支上额外增加的约束，使用二值交叉熵专门优化边缘像素：

L_{detail} = -\sum_{edge\ pixels}[y\log(p)+(1-y)\log(1-p)]

完整实现包含三个关键部分：

import torch
import torch.nn as nn
import torch.nn.functional as F

class BiSeNetLoss(nn.Module):
    def __init__(self, class_weights=None):
        super().__init__()
        # 加权交叉熵
        self.ce_loss = nn.CrossEntropyLoss(weight=class_weights) 
        # Dice 系数计算需要先 sigmoid
        self.sigmoid = nn.Sigmoid()

    def dice_loss(self, pred, target):
        smooth = 1.0  # 防止除零
        pred = self.sigmoid(pred)
        intersection = (pred * target).sum()
        union = pred.sum() + target.sum()
        return 1 - (2. * intersection + smooth) / (union + smooth)

    def forward(self, preds, targets):
        # preds 包含主输出和两个辅助输出
        main_out, aux1_out, aux2_out, detail_out = preds

        # 主损失
        ce_main = self.ce_loss(main_out, targets)

        # 辅助监督
        ce_aux1 = 0.4 * self.ce_loss(aux1_out, targets)
        ce_aux2 = 0.4 * self.ce_loss(aux2_out, targets)

        # 细节损失（需要提前准备好边缘 mask）edge_mask = get_edge_mask(targets)  # 需要实现边缘提取
        detail_loss = F.binary_cross_entropy_with_logits(detail_out, edge_mask.float())

        # 组合损失
        total_loss = ce_main + ce_aux1 + ce_aux2 + 0.2 * detail_loss
        return total_loss

几个实现要点：

辅助损失的权重通常设为 0.4（论文推荐值）
边缘 mask 可以通过 Sobel 算子等传统方法预先提取
细节损失的权重建议从 0.2 开始尝试

建议采用 warmup 策略：

前 5 个 epoch 线性增加学习率
之后用 cosine 衰减

from torch.optim.lr_scheduler import CosineAnnealingLR, LinearLR

optimizer = torch.optim.AdamW(model.parameters(), lr=1e-4)
warmup = LinearLR(optimizer, start_factor=0.01, total_iters=5)
cosine = CosineAnnealingLR(optimizer, T_max=50)
scheduler = SequentialLR(optimizer, [warmup, cosine], milestones=[5])

不同数据集可能需要调整损失组合：