Computer vision 将InfoGainLoss用于类距离（输入值<；0），而不是相似性

我尝试使用图层执行基于像素的多标签分割，有两个类彼此相对相似。为了现在能够区分它们，我想在infogain_矩阵中的相应位置引入负距离值而不是正相似值，这样像素的损失值与P（真类）成正比，与P（相似类）成反比，在理想情况下，在不同的类别之间进行更尖锐的区分

然而，在InfoGainLoss的当前实现中，infogain_mat中的负值不会导致我想要的行为，而是通过绝对值H（ln，k）*p（k）减少损失值。任何对InfoGainLoss有更多经验的人都可以证实这一点吗？如果可能，就如何实施我想要的行为提出建议

---

提前多谢

查看infogain-loss层的代码，我没有看到任何关于abs（H）的内容。你试过负值吗？好的，我试过负值，在我的数据集上，它们可以在初始训练完成后的第二步中用于微调网络，以增加相似类之间的间隔。然而，从头开始的训练我还没有做到，因为经常会有损失到-QINF，因为损失接近-QINF表示负H（ln，k）和小P（k）。查看infogain损失层的代码，我没有看到任何关于

abs（H）

。你试过负值吗？好的，我试过负值，在我的数据集上，它们可以在初始训练完成后的第二步中用于微调网络，以增加相似类之间的间隔。然而，从零开始的训练我还没有做到，因为经常会有-QINF的损失，因为损失接近-QINF表示负H（ln，k）和小P（k）。