深度学习| IOU Loss（包含代码实现）

魔法自动机

已于 2024-04-23 09:43:08 修改

阅读量983

点赞数 17

分类专栏：人工智能文章标签：深度学习计算机视觉人工智能

于 2024-04-22 15:05:25 首次发布

本文链接：https://blog.csdn.net/qq_40306845/article/details/137955803

版权

人工智能专栏收录该内容

19 篇文章 4 订阅

订阅专栏

本文详细介绍了IOU（交并比）及其在图像分割中的Loss函数IOULoss的计算方法，与DiceLoss、交叉熵损失等进行了对比，讨论了它们在处理类别不平衡时的优势和劣势。

摘要由CSDN通过智能技术生成

IOU

IOU（Intersection over Union）是交并比，用于衡量语义分割任务中预测结果与真实标签之间的相似度。

$IOU=\frac{|X\cap Y|}{|X\cup Y|}$

在这里插入图片描述

IOU=某类别的交集区域 / 某类别的并集区域

对于图像分割的IOU评价来说，IOU公式可以写成：

$IOU=\frac{TP}{TP+FN+FP}$

IOU Loss

公式

$\ Loss=-ln(IOU)$

或者

$\ Loss=1-IOU$

当两者完全重合的时候IOU等于1，IOU Loss等于0。

代码

class IouLoss(nn.Module):
    def __init__(self, reduction='mean'):
        super(IouLoss, self).__init__()
        self.reduction = reduction
        
    def forward(self, inputs, targets, smooth=1):
        # 该代码是二分类代码
        """
            output : NxCxHxW Variable
            target : NxHxW LongTensor
        """
        # 如果inputs没有归一化可以先归一化
        inputs = F.softmax(inputs,dim=1)
        # 因为loss计算的是pred和targets的正负样本交集并集，所以pred中的预测值（0~1）需要转为0和1的标签值
        # inputs从NxCxHxW装变为NxHxW，且里面不是预测值而是0和1标签值
        inputs = torch.argmax(inputs, 1).squeeze(0)# 大于0.5概率变0或者1
        # IOU公式计算
        intersection = (inputs * targets).sum()
        total = (inputs + targets).sum()
        union = total - intersection 
        
        Iou_loss = 1- (intersection + smooth)/(union + smooth)# smooth防止分母为0
        
        if self.reduction == 'mean':
            return Iou_loss.mean()
        elif self.reduction == 'sum':
            return Iou_loss.sum()
        else:
            return Iou_loss

对比其它Loss

图像分割常见且之间博客文章写过的Loss有：交叉熵损失函数CE、带权重交叉熵损失函数WCE、Dice Loss以及Focal Loss。

之前文章详细介绍过这几个loss之间的关系，再简单复述一下。
在图像分割中，CE计算的是每个像素点预测值和lable值之间的差异，但是当类别极度不平衡的时候，由于对每种类别都平等对待差异，会让训练结果偏向类别数更多的；WCE是在CE基础上给不同类别计算Loss的时候，前面加入的了一个权重，让类别数量多的权重小，从而来解决类别不平衡问题；Focal Loss在CE的基础上除了加入类别权重，还加入了样本难易权重，来让训练结果不会偏向易分类样本。

而其中Dice其公式为：
$Dice(X,Y)=\frac{2*|X\cap Y|}{|X|+|Y|}=\frac{2TP}{2TP+FN+FP}$
Dice Loss在计算 $|X\cap Y|$ 的时候，因为背景类别label为0，所以可以mask掉背景，而更关注于前景。从而在前景类别不平衡的时候，可以更关注类别数量少的前景。

从Dice和IOU公式上，可以看到很明显的相似性：
$IOU=\frac{|X\cap Y|}{|X\cup Y|}=\frac{|X\cap Y|}{|X|+|Y|-|X\cap Y|}=\frac{TP}{TP+FN+FP}$

IOU计算TP比Dice要少一次，TP也就是 $|X\cap Y|$ ，两者是比较相似的，其实差不多。

CE相当于是只考虑了每个像素作为独立样本，而Dice Loss和IOU Loss是以一种更整体的方式看待预测输出。但是Dice Loss和IOU Loss都会容易训练不稳定，因为其是通过mask背景从而关注前景，会存在前景分割很好但是背景分得不好，但是loss也很低的情况。Dice Loss和IOU Loss最好和CE等能够考虑到背景相似性的损失函数结合使用。