分割损失:Dice vs. IoU

avatar
作者
猴君
阅读量:0

NSDT工具推荐: Three.js AI纹理开发包 - YOLO合成数据生成器 - GLTF/GLB在线编辑 - 3D模型格式在线转换 - 可编程3D场景编辑器 - REVIT导出3D模型插件 - 3D模型语义搜索引擎 - Three.js虚拟轴心开发包 - 3D模型在线减面 - STL模型在线切割

对于医学影像分割,像 U-Net 这样的工作经常选择 IoU 损失和 Dice 损失作为损失指标。那么,两者的区别在哪里?

IoU 如下图所示:

其中 IoU 损失定义为:1 — IoU,因此它激励网络扩大 IoU。

我们也经常看到医学图像分割网络中采用 Dice 损失。

Dice 系数定义为:

Dice 损失被定义为 1 — Dice_Coefficient。

那么,为什么要在语义分割中使用 Dice 损失,尤其是对于医学图像?

从定义中,我们注意到 Dice 系数扩大了分母和分子中重叠的权重,基于糖水不等式,如果重叠增加,Dice 损失将以更大的梯度流信息做出响应,从而促进更精确的分割。

在医学图像中,如细胞病理学成像,通常细胞本身占据图像的大部分,如果使用 IoU 损失,网络可能会选择将整个图像预测为正,并且仍然产生不错的性能,这将使进一步的学习变得困难。 如果使用 Dice 损失,损失定义中的重叠权重会增加,因此网络将被激励去分割细胞,而不是学习一些像 IoU 损失中的情况那样的启发式方法。


原文链接:分割损失:Dice vs. IoU - BimAnt

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!