keras - 如何在 Keras 的 FCN (U-Net) 上使用加权分类交叉熵？

Question

我已经建立了一个用于图像分割的 Keras 模型(U-Net)。然而，在我的样本中，一些错误分类(区域)并不那么重要，而其他则至关重要，所以我想为它们分配更高的损失函数权重。更复杂的是，我希望一些错误分类(第 1 类而不是第 2 类)具有非常高的惩罚，而反向(第 2 类而不是 1 类)不应该受到那么多的惩罚。

在我看来，我需要使用加权分类交叉熵的总和(跨所有像素)，但我能找到的最好的是 this :

def w_categorical_crossentropy(y_true, y_pred, weights):
    nb_cl = len(weights)
    final_mask = K.zeros_like(y_pred[:, 0])
    y_pred_max = K.max(y_pred, axis=1)
    y_pred_max = K.reshape(y_pred_max, (K.shape(y_pred)[0], 1))
    y_pred_max_mat = K.cast(K.equal(y_pred, y_pred_max), K.floatx())
    for c_p, c_t in product(range(nb_cl), range(nb_cl)):
        final_mask += (weights[c_t, c_p] * y_pred_max_mat[:, c_p] * y_true[:, c_t])
    return K.categorical_crossentropy(y_pred, y_true) * final_mask

但是，此代码仅适用于单个预测，并且我缺乏对 Keras 内部工作原理的了解(并且它的数学方面也好不到哪里去)。任何人都知道我如何适应它，甚至更好，是否有适合我的情况的现成损失函数？

我会很感激一些指针。

编辑:我的问题类似于 How to do point-wise categorical crossentropy loss in Keras? ，除了我想使用 加权 分类交叉熵。

Answer 1

您可以使用权重图(如 U-Net paper 中所建议的)。在这些权重图中，您可以对具有更多权重或更少权重的区域进行加权。这是一些伪代码:

loss = compute_categorical_crossentropy()
weighted_loss = loss * weight_map # using element-wise multiplication