[Python] 3D 배열의 Dice score 코드 만들기 (segmentation 평가)

본 포스팅은 위치기반 민감도 특이도를 구할 때 3D bbox dice를 계산하여 필터링에 도움이 될 만한 3D dice score 계산 코드에 대해 설명하겠다.

 

(기본적인 Dice 설명은 아래의 링크에 참고해 주세요.)

Dice 설명 : https://baembaembaem.tistory.com/99

[Python] Dice score 코드 만들기 (segmentation 평가)

 

3D DICE score

오늘은 contour가 아닌 좌표 기반의 bbox 들의 dice를 계산하는 코드에 대해 설명해 보겠다.

 

def DICE_3D(self, box1, box2):
    box1_area = (box1[1] - box1[0] + 1) * (box1[3] - box1[2] + 1) * (box1[5] - box1[4] + 1)
    box2_area = (box2[1] - box2[0] + 1) * (box2[3] - box2[2] + 1) * (box2[5] - box2[4] + 1)

    x1 = max(box1[0], box2[0])
    y1 = max(box1[2], box2[2])
    z1 = max(box1[4], box2[4])
    x2 = min(box1[1], box2[1])
    y2 = min(box1[3], box2[3])
    z2 = min(box1[5], box2[5])

    w = max(0, x2 - x1 + 1)
    h = max(0, y2 - y1 + 1)
    d = max(0, z2 - z1 + 1)

    inter = w * h * d
    dice = inter * 2 / (box1_area + box2_area)
    return dice

 

입력은 box1과 box2이며, 부피라고 생각하면 쉽게 이해가 될 것이다. 

 

box1_area와 box2_area는 각 bbox의 영역 크기이며, 각 축 (x,y,z)에 해당하는 겹치는 길이는 w,h,d로 선언한 뒤 이를 곱해주어 겹치는 부피를 구한다. 

 

만약 w,h,d 중 하나라도 0이라면 두 bbox는 겹치지 않는 것이기 때문에 dice 분자는 0이 되어 score는 '0'이 될 것이다.

 

 

3D IOU score

아래 함수는 동일하지만, Dice가 아닌 IoU 성능 평가 함수이다.

 

def IOU_3D(self, box1, box2):
    box1_area = (box1[1] - box1[0] + 1) * (box1[3] - box1[2] + 1) * (box1[5] - box1[4] + 1)
    box2_area = (box2[1] - box2[0] + 1) * (box2[3] - box2[2] + 1) * (box2[5] - box2[4] + 1)

    x1 = max(box1[0], box2[0])
    y1 = max(box1[2], box2[2])
    z1 = max(box1[4], box2[4])
    x2 = min(box1[1], box2[1])
    y2 = min(box1[3], box2[3])
    z2 = min(box1[5], box2[5])

    w = max(0, x2 - x1 + 1)
    h = max(0, y2 - y1 + 1)
    d = max(0, z2 - z1 + 1)

    inter = w * h * d
    iou = inter / (box1_area + box2_area - inter)
    return iou