fastai - 图像分割的多类度量

Question

I\xe2\x80\x99m 目前正在探索如何使用 fastai 将 Dice 度量应用于多类分割问题。我查了一下概念，发现 Dice 和 F1Score 确实很相似。接下来，我有两个关于它们在fastai.metrics中的实现的问题：

\n\n

\n
• dice()和输出有何不同fbeta(beta=1)？
\n
• MultiLabelFbeta该类适合多标签图像分割用例吗？
\n
• 如果没有，是否有现有的指标可以帮助我？
\n

\n\n

非常感谢您，祝您有美好的一天！

\n

Answer 1

1. Dice 度量通常应等于FBeta( beta=1)。根据框架的不同，实现上可能会略有不同。然而，由于它们本质上非常相似，因此它们可以互换用作问题的指标。

2. MultiLabelFBeta如果您有多个重叠蒙版，则可以使用。也就是说，如果您的分段标签不是相互排斥的。

例如，狗和猫具有互斥的像素（即属于猫的像素永远不会属于狗，反之亦然）。但是，如果您有“T 恤”和“人类”类别，那么很明显存在重叠：人们穿着 T 恤，因此属于 T 恤的像素很可能属于人类。

3. 注意术语！MultiLabel不同于MultiClass. 对于后者，标签是互斥的；如果是前者，则不是（T 恤 + 人类示例）。

如果您有多类分割问题，那么Dice/FBeta是相关指标。如果您遇到多标签分割问题，那么这MultiLabelFbeta是一个很好的指标。