【问题标题】：Weighted accuracy for image segmentation using FCN使用 FCN 进行图像分割的加权精度
【发布时间】：2017-03-21 12:31:20
【问题描述】：
我已经为图像分割构建了一个 FCN。要分割的对象相对于图像大小（1024x1024）只有很少的像素。这导致准确度非常高，即使我只用 10 张图像而不是 18000 张（我的完整训练集）进行训练。
我解决这个问题的方法是使用某种加权准确度，以便准确度实际上说明了识别小物体的性能（现在它得到了很高的准确度，因为这么多像素不是物体并且没有分类任何准确度仍然很高的东西）。
我如何确定重量，有经验的人吗？
【问题讨论】：
标签：
machine-learning
deep-learning
conv-neural-network
image-segmentation
【解决方案1】：
正如您所写，使用自定义权重函数可以更多地惩罚对代表性不足的像素的错误分类。您可以通过计算对象像素数与图像中所有像素之间的商来获得权重，或者您可以手动尝试 - 只需确保遵循告诉您对象像素准确性的指标即可。希望对您有所帮助。
【解决方案2】：
您可以使用infogain loss layer 进行“加权”损失。
信息增益损失是常用的交叉熵损失的概括。它使用权重矩阵H（大小为L-by-L，其中L 是类数）定义：
L(p) = -H log(p)
其中p 是类概率向量。
您可以在here找到有关此损失的更多详细信息。