Dice Loss는 주로 의료 영상 분석과 같이 객체의 정확한 분할이 중요한 경우에 사용됩니다. 이는 실제 객체(ground truth)를 얼마나 잘 포착하는지에 중점을 둡니다. Dice Loss는 IoU(Intersection over Union)에 비해 재현율(Recall)에 더 중점을 둡니다. 이는 모델이 실제 객체의 영역을 놓치지 않도록 하는 데 중점을 둡니다. Dice Loss는 Dice 계수를 기반으로 합니다. Dice 계수는 두 샘플 간의 유사성을 측정하는 지표로, 1에 가까울수록 두 샘플 간의 유사성이 높음을 의미합니다.

Dice Loss는 다음과 같은 수식으로 표현됩니다.

X는 예측된 마스크, Y는 실제 마스크입니다. 이렇게 SAM은 Focal Loss와 Dice Loss를 선형적으로 결합하여 사용합니다. 이는 어려운 샘플에 대한 학습의 효율성과 객체의 정확한 분할이라는 두 가지 목표를 동시에 달성하기 위함입니다. 이러한 손실 함수 설계로 클래스 불균형 문제를 해결하고, 동시에 정밀한 객체 분할을 촉진합니다. 이는 모델이 더 정확하고 균형 잡힌 방식으로 학습을 수행하도록 합니다.