对Dice loss的理解

论文原文：V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

Dice loss的表达式为：

其中 ${\mathrm{y}}_{\mathrm{i}}$与${\hat{\mathrm{y}}}_{\mathrm{i}}$分别是像素$\mathrm{i}$的标签值与预测值。$\mathrm{N}$为像素点的总数，为单张图片像素的数量乘上batch size。可见Dice loss是一种区域性的代价函数，即网络的全部输出都会影响像素$\mathrm{i}$处的网络梯度。

假设$\mathrm{i}=1$，我们对该处像素的输出值求偏导（梯度）可得：

可见，若 ${\mathrm{y}}_1=0$，则该像素点梯度为正，则网络会向 ${\hat{\mathrm{y}}}_1=0$的方向进行优化；若 ${\mathrm{y}}_1=1$，则该