Question

在使用keras时，特别是对于U-net，我只知道仅以以下方式指定模型参数：

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[mean_iou])

现在，我可以将损失设置为等于我定义的损失。但是，此损失函数将平均应用于所有类。我该如何做，以使对某些班级的错误预测比其他的错误预测更为权衡。

例如，假设每个图像中都有以下类。类 A ， B 和 C 。现在，A类和B类约占整个图像的45％，而C类仅约占整个图像的10％。但是，我非常关心对C类有较高的预测。

在这种情况下，损失函数的表现不佳，因为类别不平衡吸收了类别 c 的损失。因此，我想找出一种方法来加权一类比另一类损失更高的损失。

我也愿意接受其他解决此问题的建议-例如，也许有两个独立的网络？

编辑：Here是此问题的后续步骤，将需要实现该帖子已接受的答案。

Answer 1

您可以手动为每个班级分配权重。例如：

class_weight = {0: 0.2, 1: 0.3, 2: 0.25, 3: 0.25}
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[mean_iou], class_weight=class_weight)

或者您可以使用此scikit库function 网络上也有很多示例，它们对您有用吗？

在深度学习中，一类的称重损失高于其他类

1 个答案: