现有语义分割技术在评估指标与损失函数设计上有缺陷，鲁汶大学、清华与牛津等联合提出全新方法以优化与评估。研究人员针对相关缺陷，设计了全新的损失函数与评估指标，用于多个应用场景，展现出更高准确性和校准性。

为解决原有损失函数不兼容软标签问题，研究人员提出JDT损失，包括了Jaccard Metric损失、Dice Semimetric损失与Compatible Tversky损失。JDT损失在硬标签下等价于原有损失函数，但能兼容软标签，适用于标签平滑、知识蒸馏、半监督学习与多标注员等场景，显著提升模型准确性和校准性。

此外，研究引入细粒度评价指标，对大尺寸物体的偏见较小，提供丰富统计信息，支持模型与数据集审计。通过广泛基准研究，强调不应仅基于单一指标评估，并发现神经网络结构与JDT损失对优化细粒度指标的重要性。

研究证明，结合JDT损失与像素级损失函数（如Cross Entropy损失、Focal损失）在语义分割上知识蒸馏、半监督学习与多标注员中取得SOTA成果。实验结果显示，与基准相比，使用JDT损失能有效提升模型准确性，引入软标签后，进一步提高准确性和校准性。