Jaccard指数，也称为交并比分数，因其感知特性、尺度不变性（这使得小对象具有适当的权重）以及相对于逐像素损失而言对假阴性的适当计数，常用于图像分割结果的评估。本文提出了一种基于子模损失的凸Lovász扩展的方法，直接在神经网络中优化平均交并比损失，应用于语义图像分割。实验表明，该损失函数在Jaccard指数度量上优于传统使用的交叉熵损失。我们展示了在单个图像上优化Jaccard指数与在整个数据集上优化Jaccard指数之间的定量和定性差异。我们在一个语义分割流程中评估了所提方法的影响，并使用最先进的深度学习分割架构，在Pascal VOC和Cityscapes数据集上展示了显著改进的交并比分割分数。