如何计算多类图像分割的多类骰子系数？ [关闭]

Question

我正在尝试训练一个用于多类分割的网络，我想使用骰子系数（参见this）作为损失函数而不是交叉熵。

你可以看看公式here（其中S是分割，G是ground truth。）

一个天真的简单解决方案是取每个类的 dice 系数的平均值并将其用于损失函数。这种方法不会区分面积较大的类别与像素（体素）数量较少的类别。

有人有什么建议吗？

Answer 1

如果您有多个类，并且这些是没有序数关系的分类，例如我们并不暗示 dog 小于 cat 只是因为我们分别设置了标签 1 和 2，您应该已经在使用 one-hot 编码标签。因此，您可以使用以下函数计算 Dice 系数，

import numpy as np

def dice_coef(y_true, y_pred, epsilon=1e-6):
"""Altered Sorensen–Dice coefficient with epsilon for smoothing."""
    y_true_flatten = np.asarray(y_true).astype(np.bool)
    y_pred_flatten = np.asarray(y_pred).astype(np.bool)

    if not np.sum(y_true_flatten) + np.sum(y_pred_flatten):
        return 1.0

    return (2. * np.sum(y_true_flatten * y_pred_flatten)) /\
           (np.sum(y_true_flatten) + np.sum(y_pred_flatten) + epsilon)

这里额外的一点是，如果预测标签和真实标签都是空的，我们会得到1。