tensorflow表示用于二进制语义分割的前景类的iou

tensorflow.metrics.mean_iou（）

当前平均每个类的

iou

。我想得到的

iou

的唯一前景在我的二进制语义分割问题

我尝试使用

weights

作为

tf.常量（[0.0,1.0]）

但是

tf.常量（[0.01,0.99]）

但是

平均iou

看起来仍然溢出，如下所示：

（500102410241）
119/5000[……]-预计到达时间：4536s-损失：0.3897-平均借据：-789716217654962048.0000-附件：0.9335

我将其用作keras

fit\u生成器的
metrics
，如下所示：

def mean_iou（y_true，y_pred）：
y_pred=tf.to_int32（y_pred>0.5）
分数，up_opt=tf.metrics.mean_iou（y_true，y_pred，2，权重=tf.constant（[0.01,0.99]））
keras.get\u session（）.run（tf.local\u variables\u initializer（））
使用tf.control_依赖项（[up_opt]）：
分数=tf.身份（分数）
回击得分

我将非常感谢您的帮助，因为我已经尝试了很多东西，甚至自己只使用
keras.backend
函数计算损失，但没有任何东西看起来是正确的。
如果您使用keras
将keras.backend作为K导入

def switch_mean_iou(labels, predictions):
    """
    labels,prediction with shape of [batch,height,width,class_number=2]
    """
    mean_iou = K.variable(0.0)
    seen_classes = K.variable(0.0)

    for c in range(2):
        labels_c = K.cast(K.equal(labels, c), K.floatx())
        pred_c = K.cast(K.equal(predictions, c), K.floatx())

        labels_c_sum = K.sum(labels_c)
        pred_c_sum = K.sum(pred_c)

        intersect = K.sum(labels_c*pred_c)
        union = labels_c_sum + pred_c_sum - intersect
        iou = intersect / union
        condition = K.equal(union, 0)
        mean_iou = K.switch(condition,
                            mean_iou,
                            mean_iou+iou)
        seen_classes = K.switch(condition,
                                seen_classes,
                                seen_classes+1)

    mean_iou = K.switch(K.equal(seen_classes, 0),
                        mean_iou,
                        mean_iou/seen_classes)
    return mean_iou

seen_类也可以固定为class_number=2。