我正在尝试使用带有keras实现的u-net，我使用以下repo https://github.com/zhixuhao/unet它运行良好，但我的问题是两类分段问题，所以我想将精度度量设置为jaccard，还有损失函数

我试着定义函数：

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S形激活函数的conv 1 * 1

更新：

在二进制精度的keras中附加原始实现：

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 .

2 回答

2
你正在完成你的功能（ K.round ） .

这导致两个问题：
- （实际问题）该函数不可微分，不能作为损失函数（将显示错误"None values not supported"）
- 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）像素量大于白色（1）像素，则会发生这种情况：
- 你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！
- 如果不是圆形的话，还有一个更好的Jaccard
- 但如果是圆形则为零Jaccard
- 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的位置 .
出于上述两个原因，您应该使用非舍入函数 .
并有时绘制你的输出，看看发生了什么:)

请注意，如果您将其用作损失函数，请将其乘以-1（因为您希望它减少，而不是增加）
回复于 2024-04-28T22:19:26+08:00

请尝试以下函数，从github复制 . 在keras指标中使用jacard_coef，如果你想让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])

回复于 2024-04-28T22:19:26+08:00

使用keras实现u-net的零Jaccard精度

更新：

2 回答

相关问题