语义分割损失函数系列(2):IoU损失

交叉熵损失函数好用是好用，但当数据存在严重的不平衡问题的时候，会导致结果特别糟糕，特别是在医学图像分割问题中，一般目标区域都比较小，背景区域比较大，此时用交叉熵损失函数的话得到的结果就不太好。

IOU loss介绍

IOU即是交并比，用相交的部分去除上并集，就得到IOU的值，1-IOU的值就是IOU Loss。至于IOU的数学定义去看百度百科吧，举个例子：

上面两张图求IOU，白色区域为目标区域，就是用两张图片的白色区域的交集去比上白色部分的并集，就得到了白色类别的IOU值。在实际工程中，一般黑色像素为类别0，白色为类别1。可以使用代码轻松的求出IOU值。

Pytorch代码

import numpy
import torch
import torch.nn as nn
import torch.nn.functional as F
class IoULoss(nn.Module):
    def __init__(self, weight=None, size_average=True):
        super(IoULoss, self).__init__()

    def forward(self, inputs, targets, smooth=1):
        
        #comment out if your model contains a sigmoid or equivalent activation layer
        inputs = F.sigmoid(inputs)       
        
        #flatten label and prediction tensors
        inputs = inputs.view(-1)
        targets = targets.view(-1)
        
        #intersection is equivalent to True Positive count
        #union is the mutually inclusive area of all labels & predictions 
        intersection = (inputs * targets).sum()
        total = (inputs + targets).sum()
        union = total - intersection 
        
        IoU = (intersection + smooth)/(union + smooth)
                
        return 1 - IoU