更新

Question

我正在尝试使用带有keras实现的u-net，我正在使用以下repo https://github.com/zhixuhao/unet 它运作良好，但我的问题是两类分割问题，所以我想将精度指标设置为jaccard，还有损失函数

我试图定义函数：

def Jac(y_true, y_pred):
    y_pred_f = K.flatten(K.round(y_pred))
    y_true_f = K.flatten(y_true)
    num = K.sum(y_true_f * y_pred_f)
    den = K.sum(y_true_f) + K.sum(y_pred_f) - num
    return num / den

并在编译中调用它：

model.compile(optimizer = Adam(lr = 1e-4), loss = ['binary_crossentropy'], metrics = [Jac])

当我这样做时，每次迭代中的jaccard准确度会降低，直到达到ZERO！任何解释为什么会发生？ P.S：同样的事情发生在骰子上 P.S：输出层是带有sigmoid激活函数的conv 1 * 1

更新

在二进制精度的keras中附加了原始实现：

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

我可以看到它也使用舍入来获得输出预测。

Answer 1

你正在整理你的职能（K.round）。

这会导致两个问题：

（真正的问题）该功能不可区分，不能作为损失功能（将显示“无值不支持”错误）
每当您的网络不确定并且任何值低于0.5时，这些值将被视为零。

如果y_true中的黑色（零）像素数量大于白色（1）像素，则会发生这种情况：

您的网络将倾向于首先将所有内容预测为零，这确实会导致更好的二进制交叉熵损失！
- 如果没有圆润的话，还有更好的Jaccard
- 但如果是圆形
并且仅在稍后，当学习率更精细地调整时，它将开始将白色像素带出它们应该在的位置。

出于以上两个原因，您应该使用非舍入函数并有时绘制您的输出以查看正在发生的事情：）

请注意，如果您将此作为损失函数使用，请将其乘以-1（因为您希望它减少而不是增加）

Answer 2

从github复制以下功能。在keras指标中使用jacard_coef，如果你想要jacard_coef_loss keras丢失

def jacard_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (intersection + 1.0) / (K.sum(y_true_f) + K.sum(y_pred_f) - intersection + 1.0)


def jacard_coef_loss(y_true, y_pred):
    return -jacard_coef(y_true, y_pred)

model.compile(optimizer = Adam(lr = 1e-4), loss = [jacard_coef_loss], metrics = [jacard_coef])

使用keras实现u-net的零Jaccard精度

更新

2 个答案: