Dice系数、IOU
1.Dice系数
集合相似度度量的函数，通常用于计算两个样本的相似度，范围为【0，1】
1.1Dice系数与IOU的关系
蓝色部分为TP(真阳性)，红色部分为FN（假阴性），黄色部分为FP（假阳性）
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qX3qgELt-1599486588443)(C:\Users\Mimosa\AppData\Roaming\Typora\typora-user-images\image-20200907213012645.png)]](https://img-blog.csdnimg.cn/2020090721502778.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2gxMjM5NzU3NDQz,size_16,color_FFFFFF,t_70#pic_center)
D i c e = 2 T P 2 T P + F P + F N = 2 ∣ X ∩ Y ∣ ∣ X ∣ + ∣ Y ∣ Dice = \frac{2TP}{2TP+FP+FN} = \frac{2|X\cap Y|}{|X|+|Y|} Dice=2TP+FP+FN2TP=∣X∣+∣Y∣2∣X∩Y∣
I o U = T P T P + F P + F N = ∣ X ∩ Y ∣ ∣ X ∣ + ∣ Y ∣ − ∣ X ∩ Y ∣ IoU = \frac{TP}{TP+FP+FN} = \frac{|X\cap Y|}{|X|+|Y|-|X\cap Y|} IoU=TP+FP+FNTP=∣X∣+∣Y∣−∣X∩Y∣∣X∩Y∣
所以：
I
o
U
=
D
i
c
e
2
−
D
i
c
e
IoU = \frac{Dice}{2-Dice}
IoU=2−DiceDice
将dice看作自变量，IOU为因变量，那么函数图像如图：
2.Dice计算
3.Dice loss
d = 1 − 2 ∣ X ∩ Y ∣ ∣ X ∣ + ∣ Y ∣ d = 1 - \frac{2|X \cap Y|}{|X|+|Y|} d=1−∣X∣+∣Y∣2∣X∩Y∣
d值的比较设计和样本极度不均匀的情况，一般情况下使用dice loss 的话会使训练过程变得不稳定，因为其不利于反向传播
4. IoU LOSS
的话会使训练过程变得不稳定，因为其不利于反向传播
4. IoU LOSS
IoU loss = 1 - Iou
765
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
