dice loss

转自：https://www.jianshu.com/p/6039042a3aaf

Dice系数

是一种集合相似度度量函数，通常用于计算两个样本的相似度（范围为[0, 1]）

公式

在语义分割中，X是Ground Truth分割图像 ，Y是预测的分割图像
由此可以得到dice loss
dice loss的提出就是解决前景比例太小的问题

Dice系数是分割效果的一个评判指标，其公式相当于预测结果区域和ground truth区域的交并比，所以它是把一个类别的所有像素作为一个整体去计算Loss的。因为Dice Loss直接把分割效果评估指标作为Loss去监督网络，而且计算交并比时还忽略了大量背景像素，解决了正负样本不均衡的问题，所以收敛速度很快

举例：

Dice Loss和交叉熵函数的比较：

交叉熵损失函数中交叉熵值梯度计算形式类似于p-t，其中，p 是softmax输出，t为target。

极端场景下，当 p 和 t 的值都非常小时，计算得到的梯度值可能会非常大. 通常情况下，可能导致训练更加不稳定。

直接采用 dice-coefficient 或者 IoU 作为损失函数的原因，是因为分割的真实目标就是最大化 dice-coefficient 和 IoU 度量。而交叉熵仅是一种代理形式，利用其在 BP 中易于最大化优化的特点。
另外，Dice-coefficient 对于类别不均衡问题，效果可能更优。然而，类别不均衡往往可以通过简单的对于每一个类别赋予不同的 loss 因子，以使得网络能够针对性的处理某个类别出现比较频繁的情况。因此，对于 Dice-coefficient 是否真的适用于类别不均衡场景，还有待探讨。