Neural network 如何在Keras中为序列模型实现损失函数（联合交集）？

IoU是一个损失函数，需要最大化而不是最小化。以下是我尝试过的，但无法访问max函数中的参数值：

def bb_交叉点（boxA，boxB）：
#确定相交矩形的（x，y）-坐标
xA=最大值（boxA[0]，boxB[0]）#这些行中的错误
yA=最大值（框A[1]，框B[1]）
xB=最小值（框A[2]，框B[2]）
yB=min（框A[3]，框B[3]）
#计算相交矩形的面积
区间=最大值（0，xB-xA+1）*最大值（0，yB-yA+1）
#计算预测面积和地面真实面积
#矩形
boxAArea=（boxA[2]-boxA[0]+1）*（boxA[3]-boxA[1]+1）
boxBArea=（boxB[2]-boxB[0]+1）*（boxB[3]-boxB[1]+1）
#通过获取交点计算并集上的交点
#面积并除以预测值+地面真实值之和
#面积-兴趣区
iou=区域间/浮动（boxAArea+boxBArea-区域间）
#返回与并集值的交点
归还欠条

这是我在网上找到的一个代码：（这行吗？看起来不像借条

将numpy导入为np
def计算（y_pred_批，y_true_批）：
返回np.mean（np.asarray（[像素精度（y_pred_批次[i]，y_true_批次[i]））
对于范围内的i（len（y\u true\u batch））]）
定义像素精度（y_pred，y_true）：
y_pred=np.argmax（np.reformate）（y_pred，
[N_类\u PASCAL，img_行，img_列]），轴=0）
y_真=np.argmax（np.reformate）（y_真，
[N_类\u PASCAL，img_行，img_列]），轴=0）
y_pred=y_pred*（y_true>0）
返回1.0*np.sum（（y_pred==y_true）*（y_true>0））/np.sum（y_true>0）

如果您对像素（不是框）进行预测，并且值介于0和1之间。（对于单个类，存在/不存在）

您的函数已调整（我不知道它是否正常工作，存在风险或没有梯度，因为交点=常数0）

---

如果您对像素（不是框）有预测，并且值介于0和1之间。（对于单个类，存在/不存在）

您的函数已调整（我不知道它是否正常工作，存在风险或没有梯度，因为交点=常数0）

def iou(true, pred):

    intersection = true * pred

    notTrue = 1 - true
    union = true + (notTrue * pred)

    return K.sum(intersection)/K.sum(union)

def iou(boxA,boxB):

    xA = K.stack([boxA[:,0], boxB[:,0]], axis=-1)
    yA = K.stack([boxA[:,1], boxB[:,1]], axis=-1)
    xB = K.stack([boxA[:,2], boxB[:,2]], axis=-1)
    yB = K.stack([boxA[:,3], boxB[:,3]], axis=-1)

    xA = K.max(xA, axis=-1)
    yA = K.max(yA, axis=-1)
    xB = K.min(xB, axis=-1)
    yB = K.min(yB, axis=-1)

    interX = K.zeros_like(xB)
    interY = K.zeros_like(yB)

    interX = K.stack([interX, xB-xA + 1], axis=-1)
    interY = K.stack([interY, yB-yA + 1], axis=-1)

    #because of these "max", interArea may be constant 0, without gradients, and you may have problems with no gradients. 
    interX = K.max(interX, axis=-1)
    interY = K.max(interY, axis=-1)
    interArea = interX * interY

    boxAArea = (boxA[:,2] - boxA[:,0] + 1) * (boxA[:,3] - boxA[:,1] + 1)    
    boxBArea = (boxB[:,2] - boxB[:,0] + 1) * (boxB[:,3] - boxB[:,1] + 1) 

    iou = interArea / (boxAArea + boxBArea - interArea)

    return iou