Question

我正在Kaggle上进行比赛，其中评估指标定义为

根据不同的交叉口（IoU）阈值上的平均平均精度评估比赛。提议的一组目标像素和一组真实的目标像素的IoU计算如下：

              IoU(A,B)=(A∩B)/(A∪B)

度量标准在IoU阈值范围内扫描，在每个点上计算平均精度值。阈值范围从0.5到0.95，步长为0.05：(0.5, 0.55, 0.6, 0.65, 0.7, 0.75, 0.8, 0.85, 0.9, 0.95)。换句话说，在0.5的阈值处，如果预测对象与地面真实对象的并集交集大于0.5，则将其视为“命中”。在每个阈值t处，根据将预测对象与所有地面真实情况进行比较得出的真实肯定(TP)，错误否定(FN)和错误肯定(FP)的数量来计算精度值对象：

                     TP(t)/TP(t)+FP(t)+FN(t).

当单个预测对象与IoU高于阈值的地面真实对象相匹配时，将计算为真阳性。误报表示预测的对象没有关联的地面真实对象。否定否定表示地面真理对象没有关联的预测对象。然后，将每个图像的平均精度计算为每个IoU阈值处的上述精度值的平均值：

           (1/|thresholds|)*∑tTP(t)/TP(t)+FP(t)+FN(t)

现在，我已经用纯粹的numpy编写了此函数，因为用它来编写代码要容易得多，并且我用tf.py_fucn()装饰了它，以便与Keras一起使用。这是示例代码：

def iou_metric(y_true_in, y_pred_in, fix_zero=False):
    labels = y_true_in
    y_pred = y_pred_in

    true_objects = 2
    pred_objects = 2

    if fix_zero:
        if np.sum(y_true_in) == 0:
            return 1 if np.sum(y_pred_in) == 0 else 0

    intersection = np.histogram2d(labels.flatten(), y_pred.flatten(), bins=(true_objects, pred_objects))[0]

    # Compute areas (needed for finding the union between all objects)
    area_true = np.histogram(labels, bins = true_objects)[0]
    area_pred = np.histogram(y_pred, bins = pred_objects)[0]
    area_true = np.expand_dims(area_true, -1)
    area_pred = np.expand_dims(area_pred, 0)

    # Compute union
    union = area_true + area_pred - intersection

    # Exclude background from the analysis
    intersection = intersection[1:,1:]
    union = union[1:,1:]
    union[union == 0] = 1e-9

    # Compute the intersection over union
    iou = intersection / union

    # Precision helper function
    def precision_at(threshold, iou):
        matches = iou > threshold
        true_positives = np.sum(matches, axis=1) == 1   # Correct objects
        false_positives = np.sum(matches, axis=0) == 0  # Missed objects
        false_negatives = np.sum(matches, axis=1) == 0  # Extra objects
        tp, fp, fn = np.sum(true_positives), np.sum(false_positives), np.sum(false_negatives)
        return tp, fp, fn

    # Loop over IoU thresholds
    prec = []

    for t in np.arange(0.5, 1.0, 0.05):
        tp, fp, fn = precision_at(t, iou)
        if (tp + fp + fn) > 0:
            p = tp / (tp + fp + fn)
        else:
            p = 0
        prec.append(p)

    return np.mean(prec)

我试图将其转换为纯tf函数，但由于无法确定control dependencies的工作方式而无法执行。有人可以帮我吗？

Answer 1

要使用函数，必须转换张量和numpy数组，反之亦然。要将张量转换为numpy数组，请使用tf.eval（请参见NIC）：

np_array = tensor.eval()

如果要将python对象（也是numpy数组）转换为张量，可以使用tf.convert_to_tensor（请参见here）：

tensor = tf.convert_to_tensor(np.mean(prec),dtype=tf.float32)

Answer 2

在您的特定用例中，您可以通过tensorflow使用实现：tf.metrics.mean_iou。

在Keras / TensorFlow

2 个答案: