语义分割的损失函数设计是决定模型性能的关键环节。与图像分类不同，语义分割是像素级密集预测任务，面临类别不平衡、边界模糊、小目标难分割、区域连续性要求高等挑战。因此，损失函数需兼顾全局精度、局部细节、类别分布和拓扑结构。
一、基础损失函数
1.1 像素级交叉熵损失（Pixel-wise Cross-Entropy Loss）
最直接的损失函数，对每个像素独立计算：
✅ 优点：简单、可微、广泛支持。 ❌ 缺点：
- 对类别极度不平衡敏感（如 Cityscapes 中“天空”占 40%，而“交通灯”<0.1%）；
- 忽略空间上下文和边界连续性。
适用场景：类别均衡数据集（如 PASCAL VOC），或作为辅助损失。
