如何在 Tensorflow 2.0/Keras 中正确使用分类交叉熵损失进行图像分割？

Question

我正在尝试训练 U-Net 导数来进行单类图像分割，但在 Keras 中使用 tf.keras.losses.SparseCategoricalCrossentropy() 和 tf.keras.losses.CategoricalCrossentropy() 函数时遇到问题。哪个更合适，如何正确使用？

如果我尝试使用SpareCategoricalCrossentropy，我会收到错误：

收到一个标签值 1，它超出了 [0, 1) 的有效范围

如果我尝试使用CategoricalCrossentropy，我会得到：

您正在传递一个形状为(3600, 64, 64, 1) 的目标数组，同时用作损失categorical_crossentropy。 categorical_crossentropy 期望目标是形状（样本、类）的二进制矩阵（1 和 0）。如果您的目标是整数类，您可以通过以下方式将它们转换为预期格式：y_binary = tf.keras.utils.to_categorical(y_int)

使用to_categorical 解决我的蒙版与背景分割问题，它会将最后一个维度增加到 2，这不是必需的。我的预测应该是单个“通道”中介于 0 和 1 之间的数字。

模型定义sn-p：

input_x = tf.keras.Input(batch_shape=(batch_size, xsze, ysze, 3), name='input_x') 
predictions = tf.keras.layers.Conv2D(1, [1, 1], activation='linear', name='output_x')(drop11) 

loss = tf.keras.losses.SparseCategoricalCrossentropy()
model.compile(optimizer=tf.keras.optimizers.Adam(),  # Optimizer
              loss=loss, 
              metrics=[tf.keras.metrics.SparseCategoricalAccuracy()]) 

checkpointer = tf.keras.callbacks.ModelCheckpoint(session_name + '_backup.h5', save_best_only=True, monitor = 'acc', verbose = 0)
early_stopper = tf.keras.callbacks.EarlyStopping(monitor='val_loss',patience=5, verbose=1,min_delta=0.005)
history = model.fit(data_train, roi_train,
                    batch_size=batch_size,
                    epochs = 10,
                    validation_data=(data_val, roi_zoom_val),callbacks=[checkpointer,early_stopper]) 

我的roi_train 是一个 numpy 数组，类型为 float32 的 0 和 1。

Answer 1

由于您只有一个类，并且您希望分割图中的每个值都介于 0 和 1 之间，因此您应该使用sigmoid 作为最后一层的激活，binary_crossentropy 作为损失函数。这是因为对于每个像素，您都面临一个二元决策：该像素属于前景还是背景？