平滑骰子损失如何区分？

Question

我正在 keras 中训练 U-Net，方法是最小化通常用于此问题的 dice_loss 函数：adapted from here 和 here

def dsc(y_true, y_pred):
     smooth = 1.
     y_true_f = K.flatten(y_true)
     y_pred_f = K.flatten(y_pred)
     intersection = K.sum(y_true_f * y_pred_f)
     score = (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)
     return score

def dice_loss(y_true, y_pred):
    return (1 - dsc(y_true, y_pred))

此实现与traditional dice loss 不同，因为它有一个平滑项以使其“可微”。我只是不明白如何在分母中添加smooth 术语而不是1e-7 之类的东西会使其变得更好，因为它实际上会改变损失值。我已经通过在具有常规dice 实现的测试集上使用训练有素的 unet 模型来检查这一点，如下所示：

def dice(im1,im2):
     im1 = np.asarray(im1).astype(np.bool)
     im2 = np.asarray(im2).astype(np.bool)
     intersection = np.logical_and(im1, im2)
     return np.float(2. * intersection.sum()) / (im1.sum() + im2.sum() + 1e-7))

有人可以解释为什么通常使用平滑骰子损失吗？

Answer 1

将smooth 添加到损失中并不能使其可微。使它与众不同的是
1. 放宽预测阈值：不要将y_pred 转换为np.bool，而是将其保留为介于 0 和 1 之间的连续值
2.你没有像np.logical_and那样使用集合运算，而是使用元素乘积来逼近不可微的交集运算。

当y_pred 和y_true 均不包含任何前景像素时，您只需添加smooth 以避免除零。