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

Dice系数源于二分类，本质上是衡量两个样本的重叠部分，是一种集合相似度度量函数，该指标范围从0到1，其中“1”表示完整的重叠。它的取值范围是0-1之间，越接近1说明模型效果越好。 其计算公式为：

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。
看图直观理解一下


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 分割图中的所有像素清零. 对于的像素，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：

Jaccard系数

Jaccard系数（Jaccard similarity coefficient）只关心个体间共同具有的特征是否一致这个问题，用于比较有限样本集之间的相似性与差异性。Jaccard系数值越大，样本相似度越高。
Jaccard相似系数定义为：

可以写成下面这种形式：

二、MIou

1 语义分割元素分类的四种情况

TP: True Positive, 真正类，将正类预测成正类数。
FP: False Positive, 假正类，将负类预测成正类。
TN: True Negtive, 真负类，将负类预测成负类数。
FN: False Negtive, 假负类，将正类预测成负类。

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。

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。