待验证50% 置信事实精确时间
交叉熵损失对每个像素独立计算损失值然后取平均，每个像素贡献的梯度相互独立、大小有界
1
来源数
50%
置信度
长期有效
时效性
2026/8/6
首次发现
来源
相关事实
待验证Dice损失中每个像素的梯度不仅取决于该像素自身的预测值，还取决于所有其他像素的预测之和，这种全局耦合特性使单个像素预测的微小变化影响所有像素的梯度71% 相似待验证2018年Li等人在论文《Visualizing the Loss Landscape of Neural Nets》中研究表明简单网络的损失景观也具有复杂几何特性61% 相似待验证Dice Loss和IoU Loss对前景像素的相对比例更敏感，天然缓解类别不平衡；Focal Loss通过动态降低易分类样本的权重迫使模型专注于困难像素60% 相似待验证网格识别需同时估计网格间距和相位偏移两个参数，因AI生成图像的隐含网格常存在全局偏移、轻微旋转和局部混乱59% 相似待验证现代行人重识别方法以深度度量学习为主流，通过三元组损失或对比损失训练孪生网络，将同一目标的不同图像映射至特征空间中相近位置58% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/692743API
curl https://kongchang.com/api/v1/knowledge/claims/692743MCP
get_claim(id=692743)