为什么 Dice Coefficient 而不是 IOU 用于分割任务？答案

【问题标题】：Why Dice Coefficient and not IOU for segmentation tasks?为什么 Dice Coefficient 而不是 IOU 用于分割任务？
【发布时间】：2020-06-01 18:08:41
【问题描述】：

我见过有人使用IOU 作为detection 任务的指标，而Dice Coeff 则作为segmentation 任务的指标。这两个指标在方程方面看起来非常相似，只是骰子给相交部分的权重是两倍。如果我是对的，那么

Dice: (2 x (A*B) / (A + B))
IOU : (A * B) / (A + B)

有什么特别的原因让我更喜欢用骰子来分割和用 IOU 来检测吗？

【问题讨论】：

【解决方案1】：

这并不完全正确。

Dice 系数（也称为 Sørensen–Dice 系数和 F1 分数）定义为 A 和 B 的交点面积的两倍除以 A 和 B 的面积之和：

Dice = 2 |A∩B| / (|A|+|B|) = 2 TP / (2 TP + FP + FN)

（TP=真阳性，FP=假阳性，FN=假阴性）

IOU（Intersection Over Union，也称为Jaccard Index）定义为交集面积除以并集面积：

Jaccard = |A∩B| / |A∪B| = TP / (TP + FP + FN)

请注意，A 和 B 的面积之和与 A 和 B 的并集面积不同。特别是，如果有 100% 重叠，则一个是另一个的两倍。这就是 Dice 系数中出现“两次”的原因：它们都被定义为，100% 重叠时值为 1，0% 重叠时值为 0。

使用哪一个取决于每个领域的个人喜好和习惯。您看到一个在一个领域中使用得更多的人与机会有关，而不是其他任何事情。有人开始使用 Dice 系数进行分割，其他人也跟着跟进。有人开始使用 IOU 进行检测，其他人也跟着跟进。

【讨论】：

【解决方案2】：

在分割任务中，Dice Coeff (Dice loss = 1-Dice coeff) 被用作损失函数，因为它是可微的，而 IoU 不可微。

两者都可以用作评估模型性能的指标，但作为损失函数，仅使用 Dice Coeff/loss

【讨论】：