ダイスで画像分割が多くを見つけるも見て、それが最も一般的に使用されるの一つである:
彼らの賃金の二つの絵を2倍しで割っ
書き込み特によく医用画像のダイス損失セグメンテーション、これを見ては十分です私自身の下に次のレコードを
完成し、クロスエントロピーで、各画素についてのクラス予測確率の原因アウトがあり、これらの確率は、ジョブに対応する画素を有効にする必要があります。
# lesion_pre为网络跑出来结果,假如它的shape是[4, 2, 512, 512],这里做的是2D的图像,
# torch送网络的结构就是批次、纬度、高、宽。我们需要将第二个维度转换为0和1,看那个预
# 测概率大就取哪个,这样0和1就可以赋值了
lesion_mm = torch.max(lesion_pre, dim=1).indices
そして、あなたはそれがその前にCUDAの上で実行されている場合、CPUとnumpyのフォーマットへの変換に必要な時間を計算し、サイコロを計算します
def Dice(inp, target, eps=1):
# 抹平了,弄成一维的
input_flatten = inp.flatten()
target_flatten = target.flatten()
# 计算交集中的数量
overlap = np.sum(input_flatten * target_flatten)
# 返回值,让值在0和1之间波动
return np.clip(((2. * overlap) / (np.sum(target_flatten) + np.sum(input_flatten) + eps)), 1e-4, 0.9999)
ソースへ