图像分割：
1.语义分割：把每个像素都打上标签（这个像素点是人，树，背景等）。语义分割只区分类别，不区分类别中具体单位。相当于逐像素做二分类，判断是属于前景还是背景。
2.实例分割：不仅要区分类别，还要区分类别中每一个个体。
对数损失函数-二元交叉熵损失函数（二分类）：逐像素的交叉熵
1.考虑样本均衡问题
根据前景和背景的比例做一个权重项：
表示样本i的label，正类为1，负类为0
表示样本i预测为正类的概率，当预测为正类的概率越大，损失越小 2.样本也有难易之分，就像玩游戏一样，难度越高的boss奖励越高。在以下的式子中，通过设置
的值，让难识别的像素点权重大一些，容易识别的则权重小一些：
Gamma通常设置为2，例如正则预测样本概率为0.95，
；如果正则预测样本概率是0.5，则
。（相当于样本的难易权值），再加上正负样本比例设置的权值，那么这就是focal loss。公式如下：
MIoU评估标准：
IoU（Intersection over Union，交并比）
多分类任务时，IoU=(A∩B)/(A∪B)，A∩B是两个区域段交集，A∪B是两个区域段并集
MIoU：就是计算所有类别的平均值，一般当做分割任务评估指标。
eg:
效果图：
卷积神经网络：
与传统网络的区别是其输入的数据是个3维的矩阵h*w*c（channel），多了个深度depth。
整体架构：
输入层
卷积层：把图像分成每个小区域，然后和权重矩阵点乘相加得到新的特征矩阵
涉及参数：
滑动窗口步长
卷积核尺寸
边缘填充
卷积核个数
卷积结果计算公式：
长度：
宽度：
其中
、
表示输入的宽度、长度；
、
表示输出特征图的宽度、长度；F表示卷积核长和宽的大小；S表示滑动窗口的步长；P表示边界填充（加几圈0）。
卷积参数共享：对每个区域的卷积权重参数都设置成一样的，可以大大减少计算参数。
池化层（pooling）：做压缩的，也可以说是下采样。
最大池化
平均池化：经大部分学者证实，效果不如最大池化
全连接层
图像颜色通道：
彩色图像是有RGB3个颜色通道的，在做计算时，要让每个颜色通道分别去做计算（R channel，G channel，B channel）。最终再把每个通道卷积完的结果加在一起，然后再加一个偏置项（bias）就可以得到最终结果了。
感受野：
当前最后那个值，是由前面多少个原始数据计算得到的，就可以感受到多大范围。一般情况下希望感受野越大越好。堆叠小的卷积核所需要的的参数更少一些，并且卷积过程越多，特征提取就越细致，加入的非线性变换也就随之增多，还不会增加权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成整体特征提取操作。
神经网络层数：
在神经网络中，只有带参数计算的才能叫一层神经网络。例如卷积层、全连接层就是带参数计算的，而激活层、池化层都是不带参数计算的。
