多类图像分割中如何计算多类骰子系数？

Question

我试图训练一个多类分割的网络，我想用骰子系数（见this）代替交叉熵作为损失函数。在

你可以看看公式here（其中S是分段，G是基本真理。）

一个简单的简单解决方案是取每个类的骰子系数的平均值，并将其用于损失函数。这种方法不会区分面积较大的类和像素数较少的类（体素）。在

有人有什么建议吗？在

Answer 1

如果您有多个类，并且这些类是没有序数关系的范畴，e.x.我们并不暗示dog小于cat，因为我们分别设置了标签1和{}，那么您应该已经在使用一个热编码标签了。所以，你可以用下面的函数计算骰子系数

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，如果预测的和真的标签都是空的，我们得到1。在