Question

我有一个任务，其中输入500x500x1图像并获得500x500x1二进制分割。工作时，仅应触发500x500的一小部分（小的“目标”）。我在输出中使用了S型激活。由于希望如此小的分数是正数，因此训练倾向于使所有输出为零或非常接近时停顿。我已经编写了自己的损失函数来部分处理它，但是如果可能的话，我想使用带有类加权的二进制交叉熵。

我的问题分为两个部分：

如果我天真地将binary_crossentropy用作损失500x500x1的输出，是否可以根据需要将其应用于每个像素？
keras是否有一种方法可以对每个像素使用单个S形输出来应用类加权？

Answer 1

回答您的问题。

1）是的，只要您将图像分割神经网络对的格式为（500x500x1图像（灰度图像）+ 500x500x1（与图像对应的蒙版），就可以对binary_cross_entropy进行逐像素处理。

2）通过在model.fit（）中输入参数'class_weight'

假设您有2个班级，其分布率为90％-10％。然后，如果对表示较少的类（在这种情况下为10％的类）犯错，则可能要对算法处以9倍以上的罚款。假设您有900个类别1的示例和100个类别2的示例。

然后，您的班级权重字典（有多种计算方法，重要的是为代表较少的班级分配更大的权重），class_weights = {0：1000 / 900,1：1000/100} < / p>

示例：model.fit(X_train, Y_train, epochs = 30, batch_size=32, class_weight=class_weight)

注意：仅在2d情况下（class_weight）可用。对于3D或更高维度的空间，应使用“ sample_weights”。

3）除binary_cross_entropy和categorical_cross_entropy外，其他指标在不平衡数据集上固有地表现更好。 Dice_Metric就是这样的指标。

Keras实现：

smooth = 1.

    def dice_coef(y_true, y_pred):
        y_true_f = K.flatten(y_true)
        y_pred_f = K.flatten(y_pred)
        intersection = K.sum(y_true_f * y_pred_f)
        return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)


    def dice_coef_loss(y_true, y_pred):
        return -dice_coef(y_true, y_pred)

Keras：二进制图像分割中的逐像素类不平衡

1 个答案: