Dice系数和mIoU是语义分割的评价指标，在这里进行了简单知识介绍。讲到了Dice顺便在最后提一下Dice Loss，以后有时间区分一下在语义分割中两个常用的损失函数，交叉熵和Dice Loss。
一、Dice系数
1.概念理解
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，取值范围在[0,1]：
其中 |X∩Y| 是X和Y之间的交集，|X|和|Y|分表表示X和Y的元素的个数，其中，分子的系数为2，是因为分母存在重复计算X和Y之间的共同元素的原因。
对于语义分割问题而言，X-GT分割图像(Ground Truth)，Y-Pred分割图像
看图一直观理解一下
公式就可以理解为
2.实际计算
首先将 |X∩Y| 近似为预测图pred和label GT 之间的点乘，并将点乘的元素的结果相加：
（1）预测分割图与 GT 分割图的点乘：
（2）逐元素相乘的结果元素的相加和：
对于二分类问题，GT分割图是只有0,1两个值的，因此 |X∩Y| 可以有效的将在 Pred 分割图中未在 GT 分割图中激活的所有像素清零. 对于激活的像素，主要是惩罚低置信度的预测，较高值会得到更好的 Dice 系数.
（3）计算|X|和|Y|，这里可以采用直接元素相加，也可以采用元素平方求和的方法：
3.PyTorch代码
def dice_coeff(pred, target):
smooth = 1.
num = pred.size(0)
m1 = pred.view(num, -1) # Flatten
m2 = target.view(num, -1) # Flatten
intersection = (m1 * m2).sum()
return (2. * intersection + smooth) / (m1.sum() + m2.sum() + smooth)
二、mIoU
1.语义分割元素分类的四种情况
true positive（TP）：预测正确, 预测结果是正类, 真实是正类
false positive（FP）：预测错误, 预测结果是正类, 真实是负类
true negative（TN）：预测错误, 预测结果是负类, 真实是正类
false negative（FN）：预测正确, 预测结果是负类, 真实是负类
2.mIoU定义与单个IoU理解
计算真实值和预测值两个集合的交集和并集之比。这个比例可以变形为TP（交集）比上TP、FP、FN之和（并集）。即：mIoU=TP/(FP+FN+TP)。
这里还是直接上个图理解一下，详细解释看图二，我觉得讲的非常棒了。
对于pascal数据集来说, 对于21个类别, 分别求IoU:
对于某一个类别的IoU计算公式如下:
mIoU：计算两圆交集（橙色部分）与两圆并集（红色+橙色+黄色）之间的比例，理想情况下两圆重合，比例为1。
3.mIoU计算
(1)首先是计算混淆矩阵(误差矩阵)
(2)计算mIoU
这里代码比较多，以后有时间单独拿出来。也可以参考这个链接中的代码部分：https://blog.csdn.net/u012370185/article/details/94409933
以及这个github：https://github.com/dilligencer-zrj/code_zoo/blob/master/compute_mIOU
三、Dice Loss
Dice Loss的计算公式非常简单如下：
这种损失函数被称为 Soft Dice Loss，因为我们直接使用预测概率而不是使用阈值或将它们转换为二进制mask。
Soft Dice Loss 将每个类别分开考虑，然后平均得到最后结果。比较直观如图三所示。
需要注意的是Dice Loss存在两个问题：
(1)训练误差曲线非常混乱，很难看出关于收敛的信息。尽管可以检查在验证集上的误差来避开此问题。
(2)Dice Loss比较适用于样本极度不均的情况，一般的情况下，使用 Dice Loss 会对反向传播造成不利的影响，容易使训练变得不稳定。
所以在一般情况下，还是使用交叉熵损失函数。
PyTorch参考代码
import torch.nn as nn
import torch.nn.functional as F
class SoftDiceLoss(nn.Module):
def __init__(self, weight=None, size_average=True):
super(SoftDiceLoss, self).__init__()
def forward(self, logits, targets):
num = targets.size(0)
smooth = 1
probs = F.sigmoid(logits)
m1 = probs.view(num, -1)
m2 = targets.view(num, -1)
intersection = (m1 * m2)
score = 2. * (intersection.sum(1) + smooth) / (m1.sum(1) + m2.sum(1) + smooth)
score = 1 - score.sum() / num
return score
参考链接：
https://zhuanlan.zhihu.com/p/86704421
https://blog.csdn.net/gjk0223/article/details/2314844
https://blog.csdn.net/Biyoner/article/details/84728417
https://www.aiuai.cn/aifarm1159.html