Question

我正在尝试解决语义分段问题。根据实际约束，假阳性的标准和假阴性的标准是不同的。例如，如果像素被错误校正，则前景不太理想，而像素被错误校正为背景。如何在设置损失函数时处理这种约束。

Answer 1

您可以使用model.fit的class_weight参数来衡量您的课程，因此，根据课程的不同，惩罚错误分类。

class_weight：可选字典将类索引（整数）映射到权重（浮点数），以便在训练期间应用于此类样本的模型损失。这可以用来告诉模型“更多地关注”来自代表性不足的类的样本。

例如：

out = Dense(2, activation='softmax')
model = Model(input=..., output=out)
model.fit(X, Y, class_weight={0: 1, 1: 0.5})

这会比第一类惩罚第二类。

Answer 2

查看keras-contrib中的jaccard距离（或IOU）丢失功能：

当图像中的像素数量不平衡时，此损失非常有用因为它赋予所有班级相等的权重。但是，这不是事实图像分割的标准。例如，假设您要尝试预测每个像素是猫，狗还是背景。您的背景像素为80％，狗为10％，猫为10％。如果模型预测背景为100％是正确的80％（与分类交叉熵一样）还是30％（有这种损失）？