本文已参与「新人创作礼」活动，一起开启掘金创作之路。

语义分割中IOU损失（PyTorch实现）

语义分割常用loss介绍及pytorch实现_CaiDaoqing的博客-程序员秘密_pytorch 语义分割loss - 程序员秘密 (cxymm.net)

语义分割之dice loss深度分析（梯度可视化） - 知乎 (zhihu.com)

语义分割常用loss介绍及pytorch实现_CaiDaoqing的博客-CSDN博客_pytorch 语义分割loss

语义分割损失函数系列(2):IoU损失_spectrelwf的博客-CSDN博客_iou损失

IOU是

$预测与真值的交集/预测与真值的并集$

语义分割中的IOU是：

$预测与真值的交集上每个像素点之和/预测与真值的并集每个像素点之和$

损失函数就是$1-IOU$或者$-IOU$

首先是我在论文代码中遇到的一种实现方式：

class IoU_loss(torch.nn.Module):
    def __init__(self):
        super(IoU_loss, self).__init__()

    def forward(self, pred, target):
        b = pred.shape[0]
        IoU = 0.0
        for i in range(0, b):
            #compute the IoU of the foreground
            Iand1 = torch.sum(target[i, :, :, :]*pred[i, :, :, :])
            Ior1 = torch.sum(target[i, :, :, :]) + torch.sum(pred[i, :, :, :])-Iand1
            IoU1 = Iand1/(Ior1 + 1e-5)
            #IoU loss is (1-IoU1)
            IoU = IoU + (1-IoU1)
        return IoU/b

这种方式是每张预测图像分别计算，在每张预测图中（注意输入的预测图要提前手动sigmoid进行激活）：
第一步：预测值与真值相乘得到交集，然后求和得到交集的像素点之和
第二步：预测值像素点之和+真值像素点之和-交集像素点之和
第三步：交集/并集，不过分母加上1e-5，防止为0
第四步：1-IOU
最后，求所有预测图IOU损失的均值

第二篇论文代码看到的

def iou(pred, mask, epoch, epsilon=1)
    pred = torch.sigmoid(pred)
    inter = ((pred * mask) * weit).sum(dim=(2, 3))
    union = ((pred + mask) * weit).sum(dim=(2, 3))
    wiou = 1 - (inter + epsilon) / (union - inter + epsilon)
return wiou.mean()

这种方法是一次性计算所有预测图像的：
第一步：计算交集，预测图和真值相乘，然后乘weit权重，再对第二三维度求和，也就是图像高宽
第二步：计算并集（其实不是并集，多了一块交集），预测图+真值，再乘weit权重，再对第二三维度求和
第三步：计算iou损失，其中epsilon是1，是一个小的数，防止为0，不过我感觉这个不小了，所以我都是把epsilon替换成在分母加1e-5
weit就是用来对部分像素加权的，上一种方法不好加权