Question

我目前有一个keras模型，它使用完全卷积网络将每个像素分类为属于对象或背景。由于我只有2个类（对象或背景），我在输出层使用sigmoid激活并且binary_crossentropy丢失。

然而，对于几个图像，我不确定某些像素属于哪个类，因此我想将这些像素标记为无效，使得网络权重不会根据这些像素的预测进行更新。在Keras中是否有处理空白标签的方法？

一般来说，这样做的一种方法是为每个像素指定损失权重，并将空白像素的权重设置为0.（例如，对于张量流，like this）。我在Keras中使用sample_weights进行了调查，但我无法使用它，因为它似乎没有用于加权像素。

Answer 1

事实证明，毕竟可以使用sample_weight。由于样本权重只能有2个维度（batch_size，没有预测），因此诀窍是将模型的输出重新整形为平坦。

我的模型定义的最后两行：

model.add(Reshape((-1, 1)))
model.compile(loss='binary_crossentropy', optimizer='adam', sample_weight_mode='temporal', metrics=['binary_accuracy'])

我使用Reshape（（ - 1,1）），因为我的输入图像具有可变尺寸。当我训练模型时，我还必须使用扁平标签和sample_weight。

我找到了答案here。