Dice

理论

Dice用来衡量预测结果pred和标签label的相似度，公式如下图所示，即两个集合的交集/并集。
在这里插入图片描述

注意：对于多分类的分割任务，网络的输出结果是多通道的，使用Dice计算准确度需要将标签转换为多通道的one_hot形式。

代码

def dice_acc(predict, label):
    """
        计算多个batch的dicc
        @param predict: 模型预测值，Shape:[B, C, W, H]
        @param label: one_hot形式的标签，Shape:[B, C, W, H]
    """
    batch_num, class_num = predict.shape[0: 2]
    
    assert predict.size() == label.size(), "the size of predict and target must be equal."
    
    # 计算交集
    intersection = (predict * label).reshape((batch_num, class_num, -1)).sum(dim=2)

    # 计算并集
    union = (predict + label).reshape((batch_num, class_num, -1)).sum(dim=2)
    
    dice = (2. * intersection + 1) / (union + 1)

    dice = dice.mean()

    # loss = 1 - dice

    return dice

如果需要计算dice loss，只需要 1- dice_acc即可。
可以借助torch.nn.functional.one_hot()函数将标签转化为one_hot形式。
以上代码传入的predict和label都是tensor，需要调用dice.item()只返回数值。

MIou

理论

为了计算MIoU，我们需要先引入混淆矩阵的概念。所谓混淆矩阵，就是真实结果和预测结果所组成的矩阵，将整个结果集划分为TP，TN，FP，FN四类。
在这里插入图片描述

TP：True Positive 真正的正类，即label是正标签，predict也是正标签。
FN：False Negative 假的负类，即label是正标签，predict却预测是负标签。
FP：False Positive 假的正类，即label是负标签，predict却预测是正标签。
TN：True Negative 真正的负类，即label是负标签，predict也是负标签。

有了混淆矩阵后，我们可以在此基础上计算各种评价指标：

查准率 precison

在这里插入图片描述

查全率 recall

在这里插入图片描述

MIoU 平均交并比

在这里插入图片描述
上面的公式对应到混淆矩阵A上为 A(i, i) / A(i, : ) + A(:, j) - A(i, j)，即对角线元素比上(对角线元素所在行和列的元素和 - 对角线元素)。

注意：为了计算MIoU，我们需要把多通道的预测结果通过torch.argmax()函数转化为单通道的预测类别，然后和单通道的label计算交并比。

代码

为了计算MIoU，这里提供两种方式，一种是比较高效的矩阵运算，另一种是常规的好理解的但效率不高的方式，两者都可以用。

高效的矩阵运算

def miou(predict, label, class_num=3):
    """
        计算多个batch的moiu
        @param predict: 模型预测值，Shape:[B, W, H]
        @param label: 标签，Shape:[B, W, H]
    """
    batch = label.shape[0]

    predict, label = predict.flatten(), label.flatten()

    # 忽略背景的话就 >0
    k = (predict >= 0) & (predict < class_num)

    # 计算混淆矩阵
    hist = torch.bincount(class_num * predict[k].type(torch.int32) + label[k], minlength=batch * (class_num ** 2)).reshape(batch, class_num, class_num)

    # 将多个batch合并为一个，如果传入的参数没有batch这个维度，可以注释掉这句话
    hist = hist.sum(0)

    # 计算各个类的iou
    miou = torch.diag(hist) / torch.maximum((hist.sum(1) + hist.sum(0) - torch.diag(hist)), torch.tensor(1))

    # 计算平均值miou
    return miou.mean()

低效的好理解的

def IOU(pred, target, n_classes = 3 ):
    """
        计算miou
        @param predict: 模型预测值，Shape:[W, H]
        @param label: 标签，Shape:[W, H]
    """
    ious = []
    # 从1开始，即忽略背景
    # 依次计算每个类
    for cls in range(1, n_classes):
        pred_inds = pred == cls
        target_inds = target == cls

        # 计算两个集合在该类上的交集
        intersection = (pred_inds[target_inds]).sum()

        # 计算并集
        union = pred_inds.sum() + target_inds.sum() - intersection

        if union == 0:
            ious.append(float('nan')) # If there is no ground truth，do not include in evaluation
        else:
            ious.append(float(intersection.item()) / float(max(union.item(), 1)))

    # 计算多类的平均值 
    return torch.mean(torch.tensor(ious))

注意，这种的传入的参数是二维的，不能有batch维度。

计算混淆矩阵

这里提供一个计算混淆矩阵的快速实现，但很低效，仅供看看，实际还是要用上面torch.bincount计算混淆矩阵快。

# TP predict 和 label 同时为1
TP = ((pred1 == 1) & (label == 1)).cpu().sum()
# TN    predict 和 label 同时为0
TN = ((pred1 == 0) & (label == 0)).cpu().sum()
# FN    predict 0 label 1
FN = ((pred1 == 0) & (label == 1)).cpu().sum()
# FP    predict 1 label 0
FP = ((pred1 == 1) & (label == 0)).cpu().sum()