用1400張圖片訓練，每張圖片分兩類（前景背景），每張圖前景背景像素點相差幾十倍以上（前景少，背景多），原以為會因為樣本不均衡而使分割效果不理想，但分割效果卻很好，這是為什麼？

個人認為正負樣本不均衡主要影響損失函數的計算。針對於你所列舉的例子，如果使用BCE loss，網路應該會很容易趨向於將像素點全分類為背景，以獲取較多的像素點正確分類。但是這只是到達了局部最優解而已（像素準確率到達了一定程度），如果可以跳出這個局部最優，依舊可以將部分前景正確分類以至於進一步降低loss。針對於樣本不均衡問題，也可以選擇focal loss來進行嘗試。另外，如果將損失函數替換為dice loss，直接以正確分類的前景作為損失的評價標準，像素label 的不均衡產生的影響進一步降低。按照我的經驗基本都可以取得比較好的效果。你可以看看kaggle上的Airbus Ship Detection Challenge比賽，針對圖片中的船隻進行分割，基本上前景和背景也是相差幾十倍以上，使用Unet便可以取得很好的效果。深度學習的擬合效果可能比你想像的更加強大

也許樣本均衡效果會更好。

最早的deeplab的正負樣本不均衡問題需要手動在loss函數上進行權重調整分配，估計後來更新的repo裡面使用了focal loss一類的loss function，自動的調節了正負樣本不均衡的問題。

可統計前景與背景的區域佔比 背景數量多但多樣性可能不夠 你可以看看背景區域的多樣性和複雜度

謝邀，我也很想知道這個是什麼原理，明白了以後麻煩寫個評論告訴我一下，謝謝啦

訓練過程中的loss是否已經實現了難樣本挖掘？如果有那麼其實就已經包含了自動平衡樣本的功能了。

原因很簡單。仔細看官方deeplab的loss實現。deeplab的厲害不止在模型上，也在實現和訓練的trick上

推薦閱讀：
相关文章