我想确认这些计算 Dice Loss 的方法中哪一个是正确的

Question

所以我有4种计算骰子损失的方法，其中3种返回相同的结果，所以我可以断定其中1种计算错误，但我想和你们确认一下：

import torch
torch.manual_seed(0)

inputs = torch.rand((3,1,224,224))
target = torch.rand((3,1,224,224))

方法一：展平张量

def method1(inputs, target):

    inputs = inputs.reshape( -1)

    target = target.reshape( -1)

    intersection = (inputs * target).sum()
    union = inputs.sum() + target.sum()
    dice = (2. * intersection) / (union + 1e-8)
    dice = dice.sum()

    print("method1", dice)

方法二：除batch size之外的张量展平，对所有dims求和

def method2(inputs, target):
    num = target.shape[0]
    inputs = inputs.reshape(num, -1)

    target = target.reshape(num, -1)

    intersection = (inputs * target).sum()
    union = inputs.sum() + target.sum()
    dice = (2. * intersection) / (union + 1e-8)
    dice = dice.sum()/num

    print("method2", dice)

方法三：除batch size之外的张量展平，sum dim 1

def method3(inputs, target):
    num = target.shape[0]
    inputs = inputs.reshape(num, -1)

    target = target.reshape(num, -1)

    intersection = (inputs * target).sum(1)
    union = inputs.sum(1) + target.sum(1)
    dice = (2. * intersection) / (union + 1e-8)
    dice = dice.sum()/num

    print("method3", dice)

方法 4：不要展平张量

def method4(inputs, target):

    intersection = (inputs * target).sum()
    union = inputs.sum() + target.sum()
    dice = (2. * intersection) / (union + 1e-8)


    print("method4", dice)

method1(inputs, target)
method2(inputs, target)
method3(inputs, target)
method4(inputs, target)

方法1,3和4打印：0.5006 方法二打印：0.1669

这是有道理的，因为我在 3 个维度上展平了输入和目标，而忽略了批量大小，然后我对展平产生的所有 2 个维度求和，而不仅仅是暗淡的 1

方法4似乎是最优化的

Answer 1

首先，您需要确定报告的骰子分数：批次中所有样本的骰子分数（方法 1,2 和 4）或批次中每个样本的平均骰子分数（方法 3）。
如果我没记错的话，您想使用方法 3 - 您想要优化批次中每个样本的骰子得分，而不是“全局”骰子得分：假设您在“简单”中有一个“困难”样本“ 批。 “困难”样本的错误分类像素将忽略 w.r.t 所有其他像素。但是如果你分别看每个样本的骰子分数，那么“难”样本的骰子分数就不能忽略

我想确认这些计算 Dice Loss 的方法中哪一个是正确的

I want to confirm which of these methods to calculate Dice Loss is correct

pytorch

image-segmentation

loss-function

dice

semantic-segmentation