图像分割的二元交叉熵损失答案

【问题标题】：Binary Cross Entropy Loss for Image Segmentation图像分割的二元交叉熵损失
【发布时间】：2018-09-12 16:00:29
【问题描述】：

我在 Keras 中使用 CNN (U-Net) 来分割 8 位图像以获得二进制掩码。尽管达到 0.9999 的准确度，但我仍然得到一些介于 0 和 255 之间的值，但希望完全删除这些值，使其只有 0 或 255。到目前为止，我一直在使用二元交叉熵损失函数，结合 sigmoid激活函数最后一个卷积层。有人可以告诉我是否有其他损失函数可以解决这个问题。

【问题讨论】：

你能解释一下你是净多一点吗？你的输出的形状是什么？你的标签是什么？您的二进制掩码是否有标签，这似乎不是您当前的输出？

标签： deep-learning keras image-segmentation unet

【解决方案1】：

最好使用 0 - 1 之间的值。

NN 很难在 0-255 获得好的结果，这样二元交叉熵会更好地工作

【讨论】：

我对这一点很困惑，因为他说他已经使用了 sigmoid 激活函数，它产生了 0 到 1 之间的输出
您的输出将在 0 - 1 之间，但您的输入将保持在 0 - 255 并且它在图像识别和此类领域中存在很多问题。如果没有标准化，您将在节点处获得很大的价值，并且只有在最后它会变成 0 或 1，因此模型很难产生真正的结果
是的，但是好像输出在0到255之间，如果他用sigmoid就没意义了。你是对的归一化（像等频分箱可能会更好）
我的输入图像像素值确实是 0 表示背景或 255 表示感兴趣的信号，但我在加载训练数据之前将所有像素值除以 255。

【解决方案2】：

您可以设置阈值以仅获取您想要的两个值。例如：

y = model.predict(input_image) # your result image
y = 255 * (y > 128)

【讨论】：

我正在考虑这个，但只是想知道是否还有其他选择。谢谢！
您可以使用 dice loss，它产生的二进制图像或阈值几乎与本工作中观察到的一样 (arxiv.org/pdf/1608.04117.pdf)