Dice Loss损失函数

前言

本篇记录一个语义分割的常用损失函数，Dice Loss

Dice系数

Dice系数用于衡量两个样本之间的点的相似度，公式如下： S = 2 ∣ X ∩ Y ∣ ∣ X ∣ + ∣ Y ∣ S=\frac{2|X\cap Y|}{|X| + |Y|} S=∣X∣+∣Y∣2∣X∩Y∣​ 其中， X ∩ Y X\cap Y X∩Y表示XY样本之间的交集，||表示元素个数，分子的系数为2，因为分母的计算实际上把交集重复计算了两次。

Dice Loss

Dice Loss实际上就是Dice系数的负数： l o s s = 1 − S = 1 − 2 ∣ X ∩ Y ∣ ∣ X ∣ + ∣ Y ∣ loss=1-S=1-\frac{2|X\cap Y|}{|X| + |Y|} loss=1−S=1−∣X∣+∣Y∣2∣X∩Y∣​ Dice系数越大，Loss越小，表示两个样本越相似。

代码

paddle中直接给出了一个api计算Dice Loss，可以计算二分类和多分类的Dice Loss:

pred = paddle.ones([b, h, w, n])
label = paddle.ones([b, h, w, 1])
paddle.nn.functional.dice_loss(pred, label)

其中，pred表示模型的多分类输入，shape=[b, h, w, n]，n表示多分类的分数，label表示标签mask，shape=[b, h, w, 1]