Question

我已经建立了一个用于图像分割的Keras模型（U-Net）。然而，在我的样本中，一些错误分类（区域）并不重要，而其他错误分类是至关重要的，所以我想为它们分配更高权重的损失函数。为了使事情进一步复杂化，我希望一些错误分类（1级而不是2级）具有非常高的惩罚，而反向（2级而不是1）不应该受到那么多的惩罚。

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

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

然而，这段代码仅适用于单一预测，而且我对Keras内部工作的知识缺乏（并且其数学方面并没有好多少）。任何人都知道如何适应它，甚至更好，是否有适合我的情况的现成的损失功能？

我很感激一些指示。

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

Answer 1

您可以使用权重图（如U-Net paper中所建议）。在这些权重图中，您可以对重量更大或更小的区域进行加权。这是一些伪代码：

loss = compute_categorical_crossentropy()
weighted_loss = loss * weight_map # using element-wise multiplication

如何在Keras的FCN（U-Net）上使用加权分类交叉熵？

1 个答案: