8

我正在通过最小化dice_loss普遍用于此问题的函数来训练 keras 中的 U-Net：改编自此处和此处

def dsc(y_true, y_pred):
     smooth = 1.
     y_true_f = K.flatten(y_true)
     y_pred_f = K.flatten(y_pred)
     intersection = K.sum(y_true_f * y_pred_f)
     score = (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)
     return score

def dice_loss(y_true, y_pred):
    return (1 - dsc(y_true, y_pred))

这种实现不同于传统的骰子损失，因为它有一个平滑项来使其“可微”。我只是不明白如何添加smooth术语而不是1e-7分母中的内容会使其变得更好，因为它实际上会改变损失值。我已经通过在具有常规dice实现的测试集上使用经过训练的 unet 模型来检查这一点，如下所示：

def dice(im1,im2):
     im1 = np.asarray(im1).astype(np.bool)
     im2 = np.asarray(im2).astype(np.bool)
     intersection = np.logical_and(im1, im2)
     return np.float(2. * intersection.sum()) / (im1.sum() + im2.sum() + 1e-7))

有人可以解释为什么通常使用平滑骰子损失吗？

4

1 回答 1

11

增加smooth损失并不能使其可区分。使其可区分的原因是
1. 放宽预测的阈值：您不强制y_pred转换为np.bool，而是将其保留为0 和 1 之间的连续
值 2. 您不使用集合操作 as np.logical_and，而是使用元素乘积来近似不可微相交运算。

仅当两者且不包含任何前景像素时才添加smooth以避免偏差为零。y_predy_true

于 2018-08-23T05:44:13.510 回答