Python 3.x Keras，二元分割，加权损失函数

我正在用Keras（w.tf后端）解决一个二进制分割问题。如何在面膜的每个区域的中心添加更多的权重

我已经尝试使用添加的

cv2.correase（）

对coef进行骰子分割，但它不起作用

def dice_coef_eroded(y_true, y_pred):
    kernel = (3, 3)
    y_true = cv2.erode(y_true.eval(), kernel, iterations=1)
    y_pred = cv2.erode(y_pred.eval(), kernel, iterations=1)
    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 + 1) / (K.sum(y_true_f) + K.sum(y_pred_f) + 1)

---

Keras 2.1.3，tensorflow 1.4好吧，我找到的解决方案如下：

1） 在迭代器中创建一个方法来检索权重矩阵（shape=mask shape）。输出必须包含[图像、遮罩、权重]

2） 创建包含损耗函数的Lambda层

3） 创建一个标识丢失函数

例如：

def weighted_binary_loss(X):
    import keras.backend as K
    import keras.layers.merge as merge
    y_pred, weights, y_true = X
    loss = K.binary_crossentropy(y_pred, y_true)
    loss = merge([loss, weights], mode='mul')
    return loss

def identity_loss(y_true, y_pred):
    return y_pred

def get_unet_w_lambda_loss(input_shape=(1024, 1024, 3), mask_shape=(1024, 1024, 1)):
    images = Input(input_shape)
    mask_weights = Input(mask_shape)
    true_masks = Input(mask_shape)
    ...
    y_pred = Conv2D(1, (1, 1), activation='sigmoid')(up1) #output of original unet
    loss = Lambda(weighted_binary_loss, output_shape=(1024, 1024, 1))([y_pred, mask_weights, true_masks])
    model = Model(inputs=[images, mask_weights, true_masks], outputs=loss)

---

好的，我找到的解决方案如下：

1） 在迭代器中创建一个方法来检索权重矩阵（shape=mask shape）。输出必须包含[图像、遮罩、权重]

2） 创建包含损耗函数的Lambda层

3） 创建一个标识丢失函数

例如：

def weighted_binary_loss(X):
    import keras.backend as K
    import keras.layers.merge as merge
    y_pred, weights, y_true = X
    loss = K.binary_crossentropy(y_pred, y_true)
    loss = merge([loss, weights], mode='mul')
    return loss

def identity_loss(y_true, y_pred):
    return y_pred

def get_unet_w_lambda_loss(input_shape=(1024, 1024, 3), mask_shape=(1024, 1024, 1)):
    images = Input(input_shape)
    mask_weights = Input(mask_shape)
    true_masks = Input(mask_shape)
    ...
    y_pred = Conv2D(1, (1, 1), activation='sigmoid')(up1) #output of original unet
    loss = Lambda(weighted_binary_loss, output_shape=(1024, 1024, 1))([y_pred, mask_weights, true_masks])
    model = Model(inputs=[images, mask_weights, true_masks], outputs=loss)

---

我正在实施这个解决方案，但我想知道我们必须向网络提供什么样的基本事实。也就是说，现在输出是损耗，我们希望损耗为0，那么我们应该按如下方式训练网络吗

model = get_unet_w_lambda_loss()
model.fit([inputs, weights, masks], zero_images)

---

我正在实施这个解决方案，但我想知道我们必须向网络提供什么样的基本事实。也就是说，现在输出是损耗，我们希望损耗为0，那么我们应该按如下方式训练网络吗

model = get_unet_w_lambda_loss()
model.fit([inputs, weights, masks], zero_images)

---

你能告诉我你在面具的中心区域增加重量是什么意思吗？我无法理解骰子系数和侵蚀对于这个目的是如何有用的，因为你们只是在那个里找到了一个相似的分数。我试图得出预期的结果：这是一个非常相似的问题。我不确定这个解决方案。看起来，上面的解决方案是关于类平衡，而不是给特定区域/像素添加权重。你能告诉我，给遮罩的中心区域添加更多权重是什么意思吗？我无法理解骰子系数和侵蚀对于这个目的是如何有用的，因为你们只是在那个里找到了一个相似的分数。我试图得出预期的结果：这是一个非常相似的问题。我不确定该解决方案。看来，上面的解决方案是关于类平衡，而不是为特定区域/像素添加权重。实际上，您可以使用没有lambda层的更简单的解决方案，从这里创建一个自定义损耗，如

dice_coef_weighted_one_class

：创建具有不同于

y_pred，y_true

输入的自定义损耗层在使用tensorflow 2时对我不起作用，实际上您可以使用没有lambda层的更简单的解决方案，从这里创建一个自定义损失，如

dice\u coef\u weighted\u one\u class

：创建输入不同于

y\u pred，y\u true的自定义损失层在使用tensorflow 2时对我不起作用，为什么要使用K.binary\u crossentropy（y\u pred，y\u true）。不应该是另一种方式吗？为什么你使用K.二进制交叉熵（y_pred，y_true）。难道不是相反吗？