Что такое Tversky loss?

Tversky loss — это функция потерь, используемая в задачах сегментации изображений, особенно когда классы несбалансированы. Она основана на индексе Тверски (Tversky index), который является обобщением коэффициента Жаккара и Dice.

Индекс Тверски определяется как:

[ TI = \frac{TP}{TP + \alpha \cdot FP + \beta \cdot FN} ]

где:

• TP — количество истинно положительных пикселей,
• FP — количество ложноположительных,
• FN — количество ложноотрицательных,
• (\alpha) и (\beta) — параметры, регулирующие вес ошибок FP и FN.

Tversky loss обычно задаётся как:

[ L = 1 - TI ]

Это позволяет гибко балансировать между чувствительностью и специфичностью модели, что особенно полезно при сегментации объектов с разным соотношением классов.

Пример использования в задаче сегментации:

• Если важнее минимизировать ложные отрицания (пропуск объекта), ставим (\beta > \alpha).
• Если важнее минимизировать ложные срабатывания, наоборот, (\alpha > \beta).

Таким образом, Tversky loss помогает улучшить качество сегментации в сложных условиях, где класс объекта мал по сравнению с фоном.