精確分割在當今眾多領域都是一項關鍵需求比如說自動駕駛汽車的訓練、醫學影像識別系統，以及透過衛星影像進行監測。在許多其他領域，當感興趣的物件微小但至關重要時，例如研究血管流動、手術規劃、檢測建築結構中的裂縫或最佳化路線規劃，需要更高的精度。此前已經做了大量工作來解決這種具有挑戰性的分割問題。
此前已經做了大量工作來解決這種具有挑戰性的分割問題。深度學習和神經網路的進步，例如[U-Net]及其變體，極大地提高了分割精度。“那還有什麼問題呢？”所有這些方法在分割微小、細長和曲線結構方面表現不佳。根據研究，這可能是損失函式的一個問題
上面是來自不同資料庫的包含示例，(a)衛星影像中的道路，(b)視網膜血管，(c)混凝土裂縫，(d)面部CT掃描的下牙槽管，(e)[圓]動脈
深度學習網路使用了最先進的損失演算法，比如centerline-Dice或cl- dice，但是他們的計算成本非常大，在大容量和多類分割問題，即使在現代gpu，也表現得不好。
這篇論文則介紹了一個新的損失：Skeleton Recall Loss，我把它翻譯成骨架召回損失.這個損失目前獲得了最先進的整體效能，並且透過取代密集的計算他的計算開銷減少超過90% !
為了說明這篇論文的損失函式，我們先介紹一下目前用於分割的損失函式
https://avoid.overfit.cn/post/ddf618e45066433f9aca7447773bc61f