我有一个任务，我输入一个500x500x1 图像并得到一个500x500x1 二进制分割。工作时，应该只触发一小部分500x500（小“目标”）。我在输出端使用了 sigmoid 激活。由于希望这样一小部分是正的，因此训练往往会在所有输出为零或非常接近时停止。我已经编写了自己的损失函数来部分处理它，但如果可能的话，我想使用带有类权重的二元交叉熵。
我的问题分为两部分：
如果我天真地将binary_crossentropy 作为我的500x500x1 输出的损失，它会根据需要在每个像素的基础上应用吗？
keras 有没有办法通过每个像素的单个 sigmoid 输出来应用类权重？
【问题讨论】：
标签： keras deep-learning semantic-segmentation
回答您的问题。
是的，binary_cross_entropy 将基于每个像素工作，前提是您将以下形式的图像分割神经网络对提供给您（500x500x1 图像（灰度图像）+500x500x1（对应于您的图像的掩码）。
通过在model.fit()中输入参数'class_weight'参数
假设您有 2 个类别，分布率为 90%-10%。然后，当算法对代表性较差的类（在这种情况下为 10% 的类）犯错时，您可能希望对算法进行 9 倍的惩罚。假设您有 900 个类别 1 的示例和 100 个类别 2 的示例。
然后是你的类权重字典（有多种计算方法，重要的是为表现不佳的类分配更大的权重），
class_weights = {0:1000/900,1:1000/100}
例如：model.fit(X_train, Y_train, epochs = 30, batch_size=32, class_weight=class_weight)
注意：这仅适用于 2d 案例（class_weight）。对于 3D 或更高维空间，应使用“sample_weights”。出于分段目的，您宁愿使用sample_weights 参数。
binary_crossentropy 和categorical_crossentropy 之外，其他损失在不平衡数据集上本质上表现更好。 Dice Loss 就是这样一个损失函数。Keras 实现：
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 1 - dice_coef(y_true, y_pred)
binary_crossentropy 的总和用作损失函数
以及其他适合您的损失：即loss = dice_loss + bce
【讨论】：