Dice系数(Dice coefficient)与mIoU与Dice Loss

Dice系数和mIoU是语义分割的评价指标，在这里进行了简单知识介绍。讲到了Dice顺便在最后提一下Dice Loss，以后有时间区分一下在语义分割中两个常用的损失函数，交叉熵和Dice Loss。

一、Dice系数

1.概念理解

Dice系数是一种集合相似度度量函数，通常用于计算两个样本的相似度，取值范围在[0,1]：

其中 |X∩Y| 是X和Y之间的交集，|X|和|Y|分表表示X和Y的元素的个数，其中，分子的系数为2，是因为分母存在重复计算X和Y之间的共同元素的原因。

对于语义分割问题而言，X-GT分割图像(Ground Truth)，Y-Pred分割图像

看图一直观理解一下

图一 Dice系数示意图

公式就可以理解为

2.实际计算

首先将 |X∩Y| 近似为预测图pred和label GT 之间的点乘，并将点乘的元素的结果相加：

（1）预测分割图与 GT 分割图的点乘：

（2）逐元素相乘的结果元素的相加和：

对于二分类问题，GT分割图是只有0,1两个值的，因此 |X∩Y| 可以有效的将在 Pred 分割图中未在 GT 分割图中激活的所有像素清零. 对于激活的像素，主要是惩罚低置信度的预测，较高值会得到更好的 Dice 系数.

（3）计算|X|和|Y|，这里可以采用直接元素相加，也可以采用元素平方求和的方法：

3.PyTorch代码

def dice_coeff(pred, target):
    smooth = 1.
    num = pred.size(0)
    m1 = pred.view(num, -1)  # Flatten
    m2 = target.view(num, -1)  # Flatten
    intersection = (m1 * m2).sum()
    return (2. * intersection + smooth) / (m1.sum() + m2.sum() + smooth)

 

二、mIoU

1.语义分割元素分类的四种情况

true positive（TP）：预测正确, 预测结果是正类, 真实是正类 

false positive（FP）：预测错误, 预测结果是正类, 真实是负类

true negative（TN）：预测错误, 预测结果是负类, 真实是正类

false negative（FN）：预测正确, 预测结果是负类, 真实是负类

2.mIoU定义与单个IoU理解

计算真实值和预测值两个集合的交集和并集之比。这个比例可以变形为TP（交集）比上TP、FP、FN之和（并集）。即：mIoU=TP/(FP+FN+TP)。

这里还是直接上个图理解一下，详细解释看图二，我觉得讲的非常棒了。

对于pascal数据集来说, 对于21个类别, 分别求IoU:
对于某一个类别的IoU计算公式如下:

图二 mIoU理解

mIoU：计算两圆交集（橙色部分）与两圆并集（红色+橙色+黄色）之间的比例，理想情况下两圆重合，比例为1。

3.mIoU计算

(1)首先是计算混淆矩阵(误差矩阵)

(2)计算mIoU

这里代码比较多，以后有时间单独拿出来。也可以参考这个链接中的代码部分：https://blog.csdn.net/u012370185/article/details/94409933

以及这个github：https://github.com/dilligencer-zrj/code_zoo/blob/master/compute_mIOU

 

三、Dice Loss

Dice Loss的计算公式非常简单如下：

这种损失函数被称为 Soft Dice Loss，因为我们直接使用预测概率而不是使用阈值或将它们转换为二进制mask。

 Soft Dice Loss 将每个类别分开考虑，然后平均得到最后结果。比较直观如图三所示。

图三 soft dice loss

需要注意的是Dice Loss存在两个问题：

(1)训练误差曲线非常混乱，很难看出关于收敛的信息。尽管可以检查在验证集上的误差来避开此问题。

(2)Dice Loss比较适用于样本极度不均的情况，一般的情况下，使用 Dice Loss 会对反向传播造成不利的影响，容易使训练变得不稳定。

所以在一般情况下，还是使用交叉熵损失函数。

PyTorch参考代码

import torch.nn as nn
import torch.nn.functional as F

class SoftDiceLoss(nn.Module):
    def __init__(self, weight=None, size_average=True):
        super(SoftDiceLoss, self).__init__()

    def forward(self, logits, targets):
        num = targets.size(0)
        smooth = 1
        probs = F.sigmoid(logits)
        m1 = probs.view(num, -1)
        m2 = targets.view(num, -1)
        intersection = (m1 * m2)
        score = 2. * (intersection.sum(1) + smooth) / (m1.sum(1) + m2.sum(1) + smooth)
        score = 1 - score.sum() / num
        return score

 

参考链接：

https://zhuanlan.zhihu.com/p/86704421

https://blog.csdn.net/weixin_43346901/article/details/99880278?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~baidu_landing_v2~default-1-99880278.nonecase&utm_term=mi%E4%B8%8Edice&spm=1000.2123.3001.4430

https://blog.csdn.net/gjk0223/article/details/2314844

https://blog.csdn.net/Biyoner/article/details/84728417

https://www.aiuai.cn/aifarm1159.html

https://zhuanlan.zhihu.com/p/88805121

https://blog.csdn.net/u012370185/article/details/94409933