Question

我正在使用keras实现我自己的代码来进行语义分割。我的测试图像的形状为(10, 512, 512, 5)，其中图像的数量为10，图像的大小为512，我要分割的类的数量为5。作为最后一个激活函数，我使用softmax，作为损失，我想提取骰子损失（https://arxiv.org/abs/1606.04797）以便改善分割结果。我的代码是：

eps = 1e-3

def dice(y_true, y_pred):
    y_pred = K.one_hot(K.argmax(y_pred,axis=-1), Nclasses) 
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    num = 2*K.sum(y_true_f*y_pred_f)
    den = K.sum(K.square(y_true_f))+K.sum(K.square(y_pred_f))+eps
    return num/den

def dice_loss(y_true, y_pred):
    return 1-dice(y_true, y_pred)

我使用K.one_hot(K.argmax(...))是因为这样我的y_pred是二进制的，而不是由概率决定的（对吗？）。无论如何，当训练过程开始时，我会收到此错误：

"ValueError: An operation has None for gradient. Please make sure that all of your ops have a gradient defined (i.e. are differentiable). Common ops without gradient: K.argmax, K.round, K.eval."

Answer 1

尝试使用此代码段作为骰子系数。重要注意事项：如果您的蒙版已进行一次热编码，则此代码也应适用于多类分割。

smooth = 1.

def dice_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 (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)


def dice_coef_loss(y_true, y_pred):
    return -dice_coef(y_true, y_pred)

Answer 2

此post似乎表明，由于argmax在keras中没有渐变，因此您将无法在自定义损失函数中使用它。

在Keras中实施的卷积神经网络的训练过程中，如何解决骰子损失计算问题？

2 个答案: