Question

我用Keras解决了二进制分割问题（w。tf后端）。如何在面罩的每个区域的中心增加更多的重量？

我已尝试添加cv2.erode()的骰子系数，但它不起作用

def dice_coef_eroded(y_true, y_pred):
    kernel = (3, 3)
    y_true = cv2.erode(y_true.eval(), kernel, iterations=1)
    y_pred = cv2.erode(y_pred.eval(), kernel, iterations=1)
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + 1) / (K.sum(y_true_f) + K.sum(y_pred_f) + 1)

Keras 2.1.3，tensorflow 1.4

Answer 1

好吧，我找到的解决方案如下：

1）在你的Iterator中创建一个检索权重的方法＆＃39;矩阵（形状=掩模形状）。输出必须包含[图像，蒙版，权重]

2）创建包含损失函数的Lambda图层

3）创建身份丢失功能

示例：

def weighted_binary_loss(X):
    import keras.backend as K
    import keras.layers.merge as merge
    y_pred, weights, y_true = X
    loss = K.binary_crossentropy(y_pred, y_true)
    loss = merge([loss, weights], mode='mul')
    return loss

def identity_loss(y_true, y_pred):
    return y_pred

def get_unet_w_lambda_loss(input_shape=(1024, 1024, 3), mask_shape=(1024, 1024, 1)):
    images = Input(input_shape)
    mask_weights = Input(mask_shape)
    true_masks = Input(mask_shape)
    ...
    y_pred = Conv2D(1, (1, 1), activation='sigmoid')(up1) #output of original unet
    loss = Lambda(weighted_binary_loss, output_shape=(1024, 1024, 1))([y_pred, mask_weights, true_masks])
    model = Model(inputs=[images, mask_weights, true_masks], outputs=loss)

Answer 2

我正在实现此解决方案，但我想知道我们必须赋予网络的地面真理是什么。也就是说，现在的输出是损失，我们希望损失为0，那么我们应该按以下方式训练网络吗？

model = get_unet_w_lambda_loss()
model.fit([inputs, weights, masks], zero_images)

Keras，二进制分割，增加损失函数的权重

2 个答案: