计算机视觉中的任务基损失函数：综合综述
机器学习
2025-09-11 v2 计算机视觉与模式识别
摘要
损失函数是深度学习的核心，塑造了模型如何学习及其在各种任务中的表现。它们用于量化预测输出与真实标签之间的差异，指导优化过程最小化误差。选择合适的损失函数至关重要，因为它直接影响模型的收敛、泛化以及整体性能，涵盖从计算机视觉到时间序列预测的各种应用。本文提供了损失函数的全面综述，涵盖诸如均方误差和交叉熵等基本指标，以及对抗损失和扩散损失等高级函数。我们探讨了它们的数学基础、对模型训练的影响，以及在各种应用中进行战略性选择，包括计算机视觉（判别和生成）、表格数据预测和时间序列预测。在这些类别中，我们讨论最近深度学习技术进展中最常用的损失函数。此外，本综述探讨了损失函数设计的历史演变、计算效率以及持续挑战，强调需要更具适应性和鲁健性的解决方案。我们强调复杂情境中的损失函数，如多模态数据、类别不平衡和现实约束。最后，我们确定了关键的未来方向，倡导开发增强可解释性、可扩展性和泛化性的损失函数，从而导致更有效和更具韧性的深度学习模型。
引用
@article{arxiv.2504.04242,
title = {Task-based Loss Functions in Computer Vision: A Comprehensive Review},
author = {Omar Elharrouss and Yasir Mahmood and Yassine Bechqito and Mohamed Adel Serhani and Elarbi Badidi and Jamal Riffi and Hamid Tairi},
journal= {arXiv preprint arXiv:2504.04242},
year = {2025}
}