交叉熵损失 & Dice系数和IOU之间的区别和联系

一文搞懂交叉熵损失

Dice系数和IOU之间的区别和联系

dice系数（dice similarity coefficient）和IOU（intersection over union）都是分割网络中最常用的评价指标。传统的分割任务中，IOU是一个很重要的评价指标，而目前在三维医学图像分割领域，大部分的paper和项目都采用dice系数这个指标来评价模型优劣。那么二者有什么区别和联系呢？

首先，dice和IOU都是衡量两个集合之间相似性的度量，在图像分割领域用来衡量网络分割结果与金标准mask之间的相似性。分别看一下二者的计算公式：

IOU指标可以使用几何办法给出直观的解释：

即：

在上半部分中，左上方的正方体是金标准，右下方的正方体是网络分割结果，中间蓝色的小正方体就是金标准和网络分割结果的重合部分，也就是TP（True Positive）。在下半部分中，蓝色区域代表金标准和网络分割结果的和再减去TP。
下面我们把上半部分的图像，即 Area of Overlap区域重新定义一下：

图中，蓝色部分为TP（True Positive），红色部分为FN（false negative），黄色部分为FP（false Positive）。根据这样的划分，重新给出IOU公式：

依据TP、TN、FP、FN的概念，重写dice系数的计算公式：

综合上面两个公式，经过变形，得到：

当dice是0.961951时，对应的IOU是0.926691。我们把dice看作自变量，IOU看作因变量，上式即为一个函数公式。以dice为x轴，IOU为y轴，画出函数图像：

可以看出：使用dice系数可以得到一个更高的指标分数。(另外一种解释)

更多《计算机视觉与图形学》知识，可关注下方公众号：