# 每个有效像素提供一项监督
[独立阅读](/course/blocks/pixel-cross-entropy.html)**课堂上下文：从哪个问题来**
FCN 从逐像素类别图出发，独立于区域检测路线。将 `[B,C,H,W]` logits 与 `[B,H,W]` 标签一一对应，理解分割损失和 ignore 像素。LAB11 从图像预测 mask；已知 mask 的缩放练习只检验采样，不检验视觉预测。


对目标类别为 $y_{uv}$ 的像素，交叉熵是 $-\log p_{y_{uv},u,v}$。若有效像素集合为 Ω，平均损失写成



$
L=-\frac{1}{|\Omega|}\sum_{(u,v)\in\Omega}\log p_{y_{uv},u,v}.
$



三类 logits `[B,3,H,W]` 与整数目标 `[B,H,W]` 相配；不要把类别 ID 当成连续数直接算回归平方误差。二类分割也可只预测一个前景 logit，用 sigmoid 与二元交叉熵，这时标签与输出接口跟三类方案不同。



未标注位置常用 ignore=255。它表示“不在这里计算监督和指标”，不表示第四类，也不等于背景。LAB11 的损失和混淆矩阵都排除这些位置；否则模型可能因为迎合不存在的背景标签而产生错误梯度。



图像翻转、裁剪或缩放时，目标地图必须接受同一几何变换。RGB 图能用连续插值，离散 mask 通常用最近邻；把类 1 与类 3 插出“类 2”没有语义依据。先保证一处图像像素仍对应同一处目标，训练曲线才有解释价值。

**出处：**[D2L §14.11 FCN](https://d2l.ai/chapter_computer-vision/fcn.html)
## 继续阅读与实验