python - 使用 keras 实现 u-net 时 Jaccard 精度为零

Question

我正在尝试将 u-net 与 keras 实现一起使用，我正在使用以下存储库 https://github.com/zhixuhao/unet 它工作得很好，但我的问题是一个二分类分割问题，所以我想将精度指标设置为 jaccard，还有损失函数

我尝试定义函数:

def Jac(y_true, y_pred):
    y_pred_f = K.flatten(K.round(y_pred))
    y_true_f = K.flatten(y_true)
    num = K.sum(y_true_f * y_pred_f)
    den = K.sum(y_true_f) + K.sum(y_pred_f) - num
    return num / den

并在编译中调用它:

model.compile(optimizer = Adam(lr = 1e-4), loss = ['binary_crossentropy'], metrics = [Jac])

当我这样做时，每次迭代中的 jaccard 精度都会降低，直到达到零! 有什么解释为什么会发生吗？
P.S:同样的事情也发生在骰子上。
P.S: 输出层是 conv 1 * 1，带有 sigmoid 激活函数

更新:

附上 keras 中二进制精度的原始实现:

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

我可以看到它还使用舍入来获得输出预测。

Answer 1

您正在对函数进行舍入 (K.round)。

这会导致两个问题:

• (真正的问题)该函数不可微分，不能作为损失函数(将显示“不支持任何值”错误)
• 每当您的网络不确定且任何值低于 0.5 时，这些值都将被视为零。

如果 y_true 中黑色(零)像素的数量大于白色(1)像素的数量，则会发生这种情况:

• 你的网络倾向于首先将所有内容预测为零，这确实会导致更好的二元交叉熵损失!
  • 如果不是四舍五入的话，还有更好的 Jaccard
  • 但是如果四舍五入则为零 Jaccard
• 只有稍后，当学习率得到更精细的调整时，它才会开始将白色像素带出它们应该在的位置。

出于上述两个原因，您确实应该使用非舍入函数。
有时绘制你的输出来看看发生了什么:)

请注意，如果您将其用作损失函数，请将其乘以 -1(因为您希望它减少，而不是增加)