ジャカード指数、または交差率（Intersection-over-Union, IoU）スコアは、その知覚的特性、スケール不変性（小物体に適切な重要性を付与する）、およびピクセル単位の損失と比較して偽陰性の適切なカウントという特徴から、画像セグメンテーション結果の評価に広く使用されています。本稿では、凸ラヴァース拡張に基づく部分集合関数損失の直接最適化手法を提案し、意味的画像セグメンテーションにおいて平均交差率損失をニューラルネットワークで直接最適化する方法について述べます。この損失関数は、従来使用されているクロスエントロピー損失よりもジャカード指数測定値で優れた性能を示しています。また、画像ごとのジャカード指数の最適化とデータセット全体でのジャカード指数の最適化との間の定量的および定性的な違いを示します。我々は提案手法が意味的セグメンテーションパイプラインに与える影響を評価し、最先端の深層学習セグメンテーションアーキテクチャを使用することでPascal VOCおよびCityscapesデータセットにおける大幅に改善された交差率セグメンテーションスコアを得ることを示しました。