在TensorFlow中使用稀疏标签进行多标签图像分类？

Question

我想为n个类执行多标记图像分类任务。 我为每个图像都有稀疏的标签向量，每个标签向量的每个维度目前都以这种方式编码：

1.0 - ＆gt;标签为true / Image属于此类

-1.0 - ＆gt;标签false / Image不包含此类。

0.0 - ＆gt;缺失值/标签

例如：V = {1.0，-1.0,1.0,0.0}

对于这个例子，V模型应该知道相应的图像应该分为第一和第三类。

我目前的问题是如何处理缺失的值/标签。我搜索了这些问题，发现了这个问题： tensorflow / skflow＃113 found here

因此可以进行多重图像分类： tf.nn.sigmoid_cross_entropy_with_logits（logits，targets，name = None）

但TensorFlow具有稀疏softmax的此错误函数，用于排他性分类： tf.nn.sparse_softmax_cross_entropy_with_logits（logits，labels，name = None）

那么是否存在稀疏的S形交叉熵？ （无法找到某些内容）或任何建议如何处理稀疏标签的多标签分类问题。

Answer 1

我使用 weighted_cross_entropy_with_logits 作为丢失函数，正数为1。

就我而言，所有标签都同样重要。但是0比任何标签的价值出现的可能性高出1倍。

所以我通过调用上述损失函数的 pos_weight 参数来权衡所有1。我使用了pos_weight（=正值的权重）10。顺便说一句，我不建议任何策略来计算pos_weight。我认为这将明确取决于手头的数据。

如果真实标签= 1， weighted_cross_entropy = pos_weight * sigmoid_cross_entropy

带有logits 的加权交叉熵与具有logits 的 Sigmoid交叉熵相同，除了额外的权重值乘以所有 目标积极的实际价值 即; 1.

理论上，它应该做的工作。我仍在调整其他参数以优化性能。稍后会更新性能统计信息。

Answer 2

首先，我想知道丢失数据的含义是什么意思？在你的情况下，miss和false之间有什么区别？

接下来，我认为您代表这样的数据是错误的。您有尝试在同一维度上表示的不相关信息。 （如果它是假的或者是真的那么它会起作用）

在我看来，更好的是为每个班级代表一个概率，如果它是好的，或缺失或是假的。

在你的情况下V = [（1,0,0），（0,0,1），（1,0,0），（0,1,0）]

Answer 3

确定！ 所以你的问题更多的是如何处理我认为的缺失数据。

所以我认为你绝对应该使用tf.sigmoid_cross_entropy_with_logits()

只需将缺失数据的目标更改为0.5。 （0表示假，1表示真）。 我从来没有尝试过这种方法，但它应该让你的网络学习而不会过度偏见。