dice和iou

1.dice系数和dice损失

（1）Dice系数：DiceCofficient

用于计算两个样本的相似度（取值范围0~1）

 |X|表示标签中像素的个数，|Y|表示预测的图片中像素的个数

（2）Dice损失:DiceLoss

DiceLoss和DiceCofficient之间的关系：DiceLoss=1-DiceCofficient 

所以：

 2.实际的例子

3. 代码实现：

在实现的时候，往往会加上一个smooth，防止分母为0的情况出现。所以公式变成：

 一般smooth=1

def dice_coeff(pred, target):
    smooth = 1.
    num = pred.size(0)
    m1 = pred.view(num, -1)  # Flatten
    m2 = target.view(num, -1)  # Flatten
    intersection = (m1 * m2).sum()
 
    return (2. * intersection + smooth) / (m1.sum() + m2.sum() + smooth)

def dice_loss(pred, target):
    smooth = 1.
    num = pred.size(0)
    m1 = pred.view(num, -1)  # Flatten
    m2 = target.view(num, -1)  # Flatten
    intersection = (m1 * m2).sum()
 
    return 1-(2. * intersection + smooth) / (m1.sum() + m2.sum() + smooth)

4.iou

一个是预测图片，一个是label，预测成功的部分称之为True Positive

 分子是预测正确的像素数量

分母是label中所有像素的数量+预测结果中所有像素的数量-重叠部分的像素数量

重叠的越多，IoU越接近1，预测效果越好：

 可以看出dice就是在iou的基础上，分子和分母都增加了一个TP

 

 把dice看作自变量，IOU看作因变量,一般使用dice系数可以得到一个更高的指标分数