IoU Score / Dice Score

• IoU Score

  • 겹치는 부분(교집합)이 전체 영역(합집합)에서 차지하는 비율
  • 교집합만 사용하여 단순히 겹치는 부분의 비율을 계산함
  • IoU Score는 모델이 실제보다 약간만 더 큰 영역을 예측하는 경우 전체 IoU 값이 낮아짐 (아래 예시)

  [1번 예시]
  Ground Truth = 20
  Prediction = 40
  교집합 = 10
  합집합 = 50
  
  IoU Score: 10/50 = 0.2
  
  [2번 예시]
  Ground Truth = 30
  Prediction = 40
  교집합 = 10
  합집합 = 60
  
  IoU Score: 10/60 = 0.167

• Dice Score

  • 겹치는 영역(교집합)이 전체 영역(합집합)에서 차지하는 비율
  • 교집합 영역을 강조함. 분자가 IoU보다 2배가 되면서 분모가 2배 미만으로 커지기에 IoU보다 항상 값이 더 높음
  • Segmentation에서 교집합을 강조하기 위해(분자가 분모에 비해 작아 결과값이 작아지는 것을 방지하기 위해) 2배 곱함.
  • 작은 객체에서 Sensitivity 높아지는 효과

  [1번 예시]
  Ground Truth = 20
  Prediction = 40
  교집합 = 10
  
  IoU Score: 20/60 = 0.333
  
  [2번 예시]
  Ground Truth = 30
  Prediction = 40
  교집합 = 10
  
  IoU Score: 20/70 = 0.286

위 두 문제에서, IoU보다 Dice Score가 Sensitivity를 더 잘 반영하는 모습(더 값이 높음)을 보임

해당 두 Score는 GT와 Predicted 사이의 영역 크기 차이는 고려하지 않고, 교집합의 비중만 평가함.
그렇기에 위 1번 예시가 2번 예시보다 높은 값이 나왔음

Dice Loss

• Dice loss
  • Dice Score는 1에 가까울수록 좋은 값을 의미함
  • 그래서 Dice Loss는 1에서 기존 Dice Score를 빼준 값을 의미함