Question

我正在尝试为多类分段训练网络，我想使用骰子系数（参见this）作为损失函数而不是交叉熵。

您可以查看公式here（其中 S 是细分， G 是基本事实。）

一个天真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。这种方法不能区分具有较大面积的类与具有较小像素数（体素）的类。

有人有什么建议吗？

Answer 1

如果您有多个班级，并且这些班级是无序关系的分类，例如我们并不暗示dog小于cat仅仅是因为我们分别设置了标签1和2，所以您应该已经在使用一键编码的标签了。因此，使用下面的函数来计算Dice系数非常好

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)

这里的额外点是，如果预测标签和真实标签都为空，则得到1。

如何计算多类图像分割的多类骰子系数？

1 个答案: