如果你知道它是对称的，那么你可以做几件事。

1. 归零一半。

不要费心学习图像的两半。只需在输出矩阵的上半部分或下半部分放置一个零掩码，然后让网络回归另一半。只是不要让网络做比它需要做的更多的工作。

2. 两者都学习，但要添加对称损失

在您的情况下，您似乎可以创建两个添加在一起的损失函数。

$focal(x, y) + focal(x^T, y)$

这将有助于网络平等地学习两半。

3. L1之间$x$和$x^T$

这可能很愚蠢，但在$x$和$x^T$可能有助于促进对称性，但我不太喜欢它。就我个人而言，我更偏爱（1）。

4. 结合 (1) 和 (2)

您可以在训练时采用 (2) 的损失函数，但在测试时只需使用具有更好指标的一半并将其复制到下半部分。

5. 后期处理

添加一个后处理自定义层，取两半的平均值，以保证对称。

$x' = \frac{1}{2}(x + x^T)$

然后做你正常的焦点损失。我个人最喜欢这个，因为它始终保证对称输出并且是一个非常简单的自定义层。