33

（已添加对此问题的更新。）

我是比利时根特大学的研究生；我的研究是关于深度卷积神经网络的情绪识别。我正在使用Caffe框架来实现 CNN。

最近我遇到了一个关于班级不平衡的问题。我正在使用大约 9216 个训练样本。5% 标记为阳性 (1)，其余样本标记为阴性 (0)。

我正在使用SigmoidCrossEntropyLoss层来计算损失。训练时，即使经过几个 epoch，损失也会减少，准确率非常高。这是由于不平衡造成的：网络总是简单地预测负数（0）。（精确度和召回率都为零，支持这一说法）

为了解决这个问题，我想根据预测真相组合来衡量对损失的贡献（严厉惩罚假阴性）。我的导师/教练还建议我在通过随机梯度下降 (sgd)反向传播时使用比例因子：该因子与批次中的不平衡相关。仅包含负样本的批次根本不会更新权重。

我只向 Caffe 添加了一个定制层：报告其他指标，例如精度和召回率。我在 Caffe 代码方面的经验有限，但我在编写 C++ 代码方面拥有丰富的专业知识。

任何人都可以帮助我或指出正确的方向如何调整SigmoidCrossEntropyLoss和Sigmoid层以适应以下变化：

  1. 根据预测-真值组合（真阳性、假阳性、真阴性、假阴性）调整样本对总损失的贡献。
  2. 根据批次中的不平衡（负数与正数）缩放随机梯度下降执行的权重更新。

提前致谢！

更新

我已按照Shai的建议合并了InfogainLossLayer。我还添加了另一个自定义层，它H根据当前批次中的不平衡构建信息增益矩阵。

目前，矩阵配置如下：

H(i, j) = 0          if i != j
H(i, j) = 1 - f(i)   if i == j (with f(i) = the frequency of class i in the batch)

我计划在未来尝试不同的矩阵配置。

我已经在 10:1 的不平衡情况下对此进行了测试。结果表明，网络现在正在学习有用的东西：（30 epochs 后的结果）

  • 准确度约为。~70%（低于 ~97%）；
  • 精度约为。~20%（从 0% 上调）；
  • 召回是大约。~60%（从 0% 上调）。

这些数字是在大约 20 个 epoch 时达到的，之后没有显着变化。

！！上述结果只是一个概念证明，它们是通过在 10:1 不平衡数据集上训练一个简单的网络获得的。！！

4

2 回答 2

20

为什么不使用InfogainLoss层来补偿训练集的不平衡？

Infogain 损失是使用权重矩阵定义的H（在您的情况下为 2×2）其条目的含义是

[cost of predicting 1 when gt is 0,    cost of predicting 0 when gt is 0
 cost of predicting 1 when gt is 1,    cost of predicting 0 when gt is 1]

因此，您可以设置 的条目H以反映预测 0 或 1 中的错误之间的差异。

您可以在此线程中找到如何H为 caffe定义矩阵。

关于样本权重，您可能会发现这篇文章很有趣：它展示了如何修改SoftmaxWithLoss层以考虑样本权重。

最近， Tsung-Yi Lin、Priya Goyal、Ross Girshick、Kaiming He、Piotr Dollár Focal Loss for Dense Object Detection提出了对交叉熵损失的修改，（ICCV 2017）。
焦点损失背后的想法是根据预测该示例的相对难度（而不是基于班级规模等）为每个示例分配不同的权重。从我开始尝试这种损失的短暂时间开始，感觉它优于"InfogainLoss"班级规模的权重。

于 2015-05-28T05:28:51.720 回答
0

我在分类任务中也遇到过这个类不平衡问题。现在我正在使用带有重量的 CrossEntropyLoss（此处的文档），它工作正常。这个想法是给图像数量较少的类中的样本更多的损失。

计算重量

每个类别的权重与该类别中的图像数量成反比。这是使用 numpy 计算所有类的权重的片段，

cls_num = []
# train_labels is a list of class labels for all training samples
# the labels are in range [0, n-1] (n classes in total)
train_labels = np.asarray(train_labels)
num_cls = np.unique(train_labels).size

for i in range(num_cls):
    cls_num.append(len(np.where(train_labels==i)[0]))

cls_num = np.array(cls_num)

cls_num = cls_num.max()/cls_num
x = 1.0/np.sum(cls_num)

# the weight is an array which contains weight to use in CrossEntropyLoss
# for each class.
weight = x*cls_num
于 2017-12-04T03:55:01.993 回答