validation - tf.keras.metrics.MeanIoU 与 sigmoid 层

Question

我有一个用于语义分割的网络，我的模型的最后一层应用了 sigmoid 激活，因此所有预测都在 0-1 之间缩放。有这个验证指标 tf.keras.metrics.MeanIoU(num_classes)，它将分类预测（0 或 1）与验证（0 或 1）进行比较。因此，如果我进行预测并应用此指标，它会自动将连续预测映射到阈值 = 0.5 的二进制吗？是否有可能手动定义阈值？

Answer 1

不，tf.keras.metrics.MeanIoU不会自动将连续预测映射到阈值 = 0.5 的二进制。

它将连续预测转换为其二进制，方法是将小数点前的二进制数字作为预测，如0.99as 0，0.50as 0，0.01as 0，1.99as 1，1.01as1等 when num_classes=2。因此，基本上如果您的预测值介于0to1和之间num_classes=2，那么0除非预测是 ，否则会考虑所有内容1。

以下是证明中行为合理的实验tensorflow version 2.2.0：

所有二进制结果：

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 1])
m.result().numpy()

输出 -

1.0

将一个预测更改为连续 0.99 -这里它认为0.99是0。

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 0.99])
m.result().numpy()

输出 -

0.5833334

将一个预测更改为连续 0.01 -这里它认为0.01是0。

import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0.01, 1, 1])
m.result().numpy()

输出 -

1.0

将一个预测更改为连续 1.99 -这里它认为1.99是1。

%tensorflow_version 2.x
import tensorflow as tf

m = tf.keras.metrics.MeanIoU(num_classes=2)
_ = m.update_state([0, 0, 1, 1], [0, 0, 1, 1.99])
m.result().numpy()

输出 -

1.0

所以理想的方法是在评估MeanIoU.

希望这能回答你的问题。快乐学习。

Answer 2

试试这个（记得用制表符替换空格）：

def mean_iou(y_true, y_pred):
    th = 0.5
    y_pred_ = tf.to_int32(y_pred > th)
    score, up_opt = tf.metrics.mean_iou(y_true, y_pred_, 2)
    K.get_session().run(tf.local_variables_initializer())
    with tf.control_dependencies([up_opt]):
        score = tf.identity(score)
    return score