5

我已经建立了一个用于图像分割（U-Net）的 Keras 模型。然而，在我的样本中，一些错误分类（区域）并不那么重要，而另一些则至关重要，因此我想为它们分配更高的损失函数权重。更复杂的是，我希望一些错误分类（1 类而不是 2 类）具有非常高的惩罚，而反向（2 类而不是 1 类）不应该受到太多惩罚。

我看到它的方式，我需要使用加权分类交叉熵的总和（跨越所有像素），但我能找到的最好的是：

def w_categorical_crossentropy(y_true, y_pred, weights):
    nb_cl = len(weights)
    final_mask = K.zeros_like(y_pred[:, 0])
    y_pred_max = K.max(y_pred, axis=1)
    y_pred_max = K.reshape(y_pred_max, (K.shape(y_pred)[0], 1))
    y_pred_max_mat = K.cast(K.equal(y_pred, y_pred_max), K.floatx())
    for c_p, c_t in product(range(nb_cl), range(nb_cl)):
        final_mask += (weights[c_t, c_p] * y_pred_max_mat[:, c_p] * y_true[:, c_t])
    return K.categorical_crossentropy(y_pred, y_true) * final_mask

但是，此代码仅适用于单个预测，并且我对 Keras 内部工作原理的了解不足（而且它的数学方面也好不了多少）。任何人都知道我可以如何调整它，甚至更好，是否有适合我情况的现成损失函数？

我会很感激一些指示。

编辑：我的问题类似于How to do point-wise categorical crossentropy loss in Keras？，除了我想使用加权分类交叉熵。

4

1 回答 1

1

您可以使用权重图（如U-Net 论文中所建议的那样）。在这些权重图中，您可以对权重较大或较轻的区域进行加权。这是一些伪代码：

loss = compute_categorical_crossentropy()
weighted_loss = loss * weight_map # using element-wise multiplication
于 2019-02-25T19:51:16.503 回答