Почему коэффициент Dice, а не IOU для задач сегментации?

Question

Я видел людей, использующих IOU в качестве показателя c для detection задач и Dice Coeff для segmentation задач. Эти два показателя выглядят очень похожими с точки зрения уравнения, за исключением того, что игральная кость дает удвоенный вес для пересечения. Если я прав, то

Dice: (2 x (A*B) / (A + B))
IOU : (A * B) / (A + B) 

Есть ли какая-либо конкретная причина для предпочтения игральных костей для сегментации и IOU для обнаружения?

Answer 1

Это не совсем верно.

Коэффициент Кости (также известный как коэффициент Серенсена – Кости и оценка F1) определяется как двукратная площадь пересечения A и B, деленная на сумму областей A и B:

Dice = 2 |A∩B| / (|A|+|B|) = 2 TP / (2 TP + FP + FN)

(TP = истинные положительные значения, FP = ложные положительные значения, FN = ложные отрицательные значения)

IOU (пересечение через соединение, также известное как Индекс Жакара) определяется как площадь пересечения, деленная на площадь объединения:

Jaccard = |A∩B| / |A∪B| = TP / (TP + FP + FN)

Обратите внимание, что сумма площадей A и B не совпадает с площадью объединения А и В. В частности, если перекрытие составляет 100%, то одно вдвое больше другого. Это является причиной «двух раз» в коэффициенте Кости: они оба определены так, что при 100% -ном перекрытии значения равны 1, а при 0% -ном перекрытии значения равны 0.

Какой из них использование зависит от личных предпочтений и обычаев в каждой области. То, что вы используете больше в одной области, больше связано с шансом, чем с чем-либо еще Кто-то начал использовать коэффициент Кости для сегментации, а другие просто последовали за ним. Кто-то начал использовать IOU для обнаружения, а другие просто последовали за ним.