Tensorflow 用正确的损失功能对抗等级失衡:借条、骰子还是2级骰子?
我目前正在写我的学士学位论文,在试图理解关于阶级不平衡的损失函数的差异以及阶级不平衡本身时遇到了一些困难 我正在研究一个U-Net()变体的分段问题 我的数据集包含11个类,其中一个类的频率远远低于大多数其他类。我的网络的输入是一个np数组,其中形状(700512512,3)用于输入rgb图像,形状(700512512,11)用于地面真相标签。基本真相的11个通道中的每一个都是二进制编码的(1表示存在的特定类别,0表示缺少该类别)。因此,每个类每个图像有一个掩码。在大多数掩模中,1的数量远小于0的数量 首先,关于阶级不平衡: 我还没有找到“阶级不平衡”一词的明确定义。在我看来,有三种解释是可能的:Tensorflow 用正确的损失功能对抗等级失衡:借条、骰子还是2级骰子?,tensorflow,keras,deep-learning,loss-function,imbalanced-data,Tensorflow,Keras,Deep Learning,Loss Function,Imbalanced Data,我目前正在写我的学士学位论文,在试图理解关于阶级不平衡的损失函数的差异以及阶级不平衡本身时遇到了一些困难 我正在研究一个U-Net()变体的分段问题 我的数据集包含11个类,其中一个类的频率远远低于大多数其他类。我的网络的输入是一个np数组,其中形状(700512512,3)用于输入rgb图像,形状(700512512,11)用于地面真相标签。基本真相的11个通道中的每一个都是二进制编码的(1表示存在的特定类别,0表示缺少该类别)。因此,每个类每个图像有一个掩码。在大多数掩模中,1的数量远小于0
- IoU近似损失()
- 骰子损失()
- 二级骰子损失()
Example with 9 pixels, two 1s, seven 0s:
all correct | 1 false positive | 1 false negative
IoU | 1 | 0.33 | 0.5
Dice | 1 | 0.2 | 0.33
Dice2 | 1 | 0.14 | 0.2
关于损失函数,请看这里的讨论,对于多类图像分割,为unet计算骰子损失。关于损失函数,请看这里的讨论,对于多类图像分割,为unet计算骰子损失。