meandice函数实现是否正确？值越高分割质量越好？优化时是否需最小化？

一、meandice函数实现正确性与数值含义 #

首先可以明确：该函数命名存在错误，它并不是标准的Mean Dice系数计算函数，实际是面向语义分割任务设计的带边界权重的复合损失函数，相关结论如下：

• 从内部实现逻辑看，它包含两个损失分支：
  1. wbce是加入边界权重的二元交叉熵损失，数值越高代表预测结果和真值mask的偏差越大，分割效果越差
  2. wiou是加入边界权重的1-交并比计算结果，数值越高代表预测和真值的重合度越低，分割效果越差
• 函数最终返回两个损失的平均值，因此数值越高代表图像分割质量越差，和常规Mean Dice系数（数值越高分割效果越好）的变化趋势完全相反，此前认为"meandice数值上升意味着模型质量提升"的说法是把该损失函数和标准Dice系数混淆导致的错误结论。

对应函数实现代码如下：

def meandice(pred, mask):
    weit = 1 + 5 * torch.abs(F.avg_pool2d(mask, kernel_size=31, stride=1, padding=15) - mask)
    wbce = F.binary_cross_entropy_with_logits(pred, mask, reduce='none')
    wbce = (weit * wbce).sum(dim=(2, 3)) / weit.sum(dim=(2, 3))

    pred = torch.sigmoid(pred)
    inter = ((pred * mask) * weit).sum(dim=(2, 3))
    union = ((pred + mask) * weit).sum(dim=(2, 3))
    wiou = 1 - (inter + 1) / (union - inter + 1)

    return (wbce + wiou).mean()

二、模型优化时的处理方式 #

该函数是典型的分割任务损失函数，数值越低代表模型预测效果越好，因此在模型训练优化过程中需要最小化该数值。

内容的提问来源于stack exchange，提问作者sixtytrees