论文地址：http://data.kaizhao.net/publications/iccv2019fmeasure.pdf
当前方法的问题
主流方法采用交叉熵损失进行优化，loss只依赖于每个像素的预测和真值对，而显著性图的背景部分占比远大于前景部分占比，导致优化的时候会取向于将未知像素预测成背景。
怎么解决这个问题
F-measure是一个更为全面和复杂的评估指标，会将精确率和召回率结合在一个分数中，并自动抵消正负样本的不平衡。文章提出在优化时直接优化F-measure。
FLoss原理
标准F-measure不可微。重新定义TP，FP，FN使其对预测图可微，然后进行优化。
定义FLoss：
实验
两点二值预测实验，证明FLoss的梯度有限，并且接近真实值还能有较大的梯度。优点：防止梯度爆炸，可增大学习率，预测图边缘更明显。
与其他方法的对比结果：
其他特点：在较大阈值范围质量都较高，最优阈值在不同数据集不同架构都比较接近。
