图像分割 | Dice损失函数以及评估指标

小白攀登记

已于 2023-05-10 10:06:06 修改

阅读量3k

点赞数 1

文章标签：人工智能计算机视觉深度学习神经网络 python

于 2023-05-10 10:00:12 首次发布

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_45023353/article/details/130507773

版权

Dice损失函数

Dice损失和Dice系数（Dice coefficient）是同一个东西，它们的关系是：

$DiceLoss=1-DiceCoefficient$

Dice coefficient是用于度量两个集合的相似性的，其定义式为:

$Dice=\frac{2\left | X\cap Y \right |}{\left | X \right |+\left | Y \right |}$ $X\in (0,1),Y\in (0,1)$

其中的 $\left | X \right |\cap \left | Y \right |$ 表示X和Y集合的交集， $\left | X \right |$ 和 $\left | Y \right |$ 表示其元素的个数，对于分割任务而言， $\left | X \right |$ 和 $\left | Y \right |$ 表示分割的ground truth和predict_mask。

$Dice=\frac{2\times (0.7+0.9+0.8_0.8+0.9)}{sum(X)+sum(Y)}$ （一般为训练时）

上面是举了个例子来解释Dice损失函数的计算公式的应用，当预测前景中的概率越小，则Dice的值越小，而DiceLoss的值越大，则Dice损失函数越大，两个集合的相似性越小。

以下关于精确度（P）、召回率（R）、f1得分（F）、裂缝的交集与并集（Iou（c））和平均交集与并集（mIou）的计算公式都是参考文献：https://www.hindawi.com/journals/mpe/2021/6654996/

精确度（P）

$P=\frac{TP}{TP+TF}$

准确率表示为将正类预测为正类占预测的正类的比例。

$TP$ :真阳性数，在label中为阳性，在预测值中也为阳性的个数;

$TN$ :真阴性数，在label中为阴性，在预测值中也为阴性的个数;

$FP$ : 假阳性数，在label中为阴性，在预测值中为阳性的个数;

$FN$ : 假阴性数，在label中为阳性，在预测值中为阴性的个数;

例如：

$TP$ 为红色， $TN$ 为黄色， $FP$ 为蓝色， $FN$ 为绿色；

$P=\frac{TP}{TP+FP}=\frac{2}{2+1}=0.667$

召回率（R）

$R=\frac{TP}{TP+FN}$

表示将正类预测为正类占原本的正类的比例。

交并比（Iou）

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

表示为预测区域和实际区域交集除以预测区域和实际区域的并集。

平均交并集（MIou）

$MIou=\frac{Iou(c)+Iou(nc)}{2}$

表示为每一类预测区域和实际区域交集除以预测区域和实际区域的并集的均值。

参考链接：

https://zhuanlan.zhihu.com/p/406486906

小白攀登记

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
1
评论
图像分割 | Dice损失函数以及评估指标

上面是举了个例子来解释Dice损失函数的计算公式的应用，当预测前景中的概率越小，则Dice的值越小，而DiceLoss的值越大，则Dice损失函数越大，两个集合的相似性越小。表示为每一类预测区域和实际区域交集除以预测区域和实际区域的并集的均值。:真阴性数，在label中为阴性，在预测值中也为阴性的个数;: 假阳性数，在label中为阴性，在预测值中为阳性的个数;: 假阴性数，在label中为阳性，在预测值中为阴性的个数;:真阳性数，在label中为阳性，在预测值中也为阳性的个数;
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。