Image processing 什么是图像分割中的不平衡?
我知道,如果有太多的猫图像和太少的狗图像,图像分类问题(如猫对狗分类)中存在不平衡。但我不知道如何解决细分问题中的不平衡 例如,我的任务是从卫星图像中屏蔽云层,因此我将问题转化为两类分割,一类是云,另一类是背景。数据集有5800个4波段16位图像,大小为256*256。其结构为Segnet,损失函数为二进制交叉熵 假设有两种情况:Image processing 什么是图像分割中的不平衡?,image-processing,machine-learning,keras,caffe,image-segmentation,Image Processing,Machine Learning,Keras,Caffe,Image Segmentation,我知道,如果有太多的猫图像和太少的狗图像,图像分类问题(如猫对狗分类)中存在不平衡。但我不知道如何解决细分问题中的不平衡 例如,我的任务是从卫星图像中屏蔽云层,因此我将问题转化为两类分割,一类是云,另一类是背景。数据集有5800个4波段16位图像,大小为256*256。其结构为Segnet,损失函数为二进制交叉熵 假设有两种情况: 一半的样品完全被云层覆盖,一半没有云层 在每幅图像中,一半被云层覆盖,一半没有 所以,我想案例2是平衡的,但是案例1呢 实际上,在我的任务中,这两种情况在源卫星图像中
提前感谢。通常,在分割任务中,如果每个图像属于每个类/段的像素数大致相同(您的问题中的情况2),则认为他/她的样本是“平衡的”。
在大多数情况下,样本永远不会平衡,如您的示例中所示 会出现什么问题?当有一个段/类支配样本时,模型可能会发现更容易输出属于主导类/段的所有像素。这种持续的预测虽然没有提供信息,但仍然可以产生高精度和小损失 如何检测这种错误结果?您可以使
的“精度”
层输出的不仅是整体精度,还有精度。如果您的模型“锁定”在单个类上,则所有其他类的每类精度都将非常低
我能做些什么?您可以使用图层为其他类的错误赋予更多权重,以抵消主导类的影响。感谢您的更正和回复。我将在caffe中尝试“InfogainLoss”层。谁知道如何像caffe在keras中那样输出每类的精度?