语义分割之dice loss深度分析（梯度可视化）

dice loss 来自文章VNet(V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation)，旨在应对语义分割中正负样本强烈不平衡的场景。本文通过理论推导和实验验证的方式对dice loss进行解析，帮助大家去更好的理解和使用。

dice loss定义

dice loss来自dice coefficient,是一种用于评估两个样本的相似性的度量函数,取值范围在0到1之间,取值越大表示越相似.dice coefficient定义如下:

其中分子是两倍的X和Y之间的交集,分母是X的元素和Y元素的个数中和.之所以分子乘2是为了保证分母重复计算后取值范围在0到1之间.

dice loss可以写为:

对于二分类问题，一般预测值分为以下几种:
. TP: true positive，真阳性，预测是阳性，预测对了，实际也是正例
. TN: true negative，真阴性，预测是阴性，预测对了，实际也是负例
. FP: false positive，假阳性，预测是阳性，预测错了，实际是负例
. FN: false negative，假阴性，预测是阴性，预测错了，实际是正例

这里dice coefficient可以写成如下形式:

而我们知道: