我正在研究一项二进制语义分割任务，其中一个类的分布在任何输入图像中都非常小，因此只有几个像素被标记。当使用sparse_softmax_cross_entropy时 忽略此类时，总体错误很容易减少。现在，我正在寻找一种通过系数对类别进行加权的方法，该系数对特定类别的错误分类惩罚比其他类别更高。
损失函数的文档指出:
weights acts as a coefficient for the loss. If a scalar is provided, then the loss is simply scaled by the given value. If weights is a tensor of shape [batch_size], then the loss weights apply to each corresponding sample.
如果我理解正确的话，它表示批处理中的特定样本与其他样本相比，其加权不同。但这实际上不是我想要的。有谁知道如何实现此损失函数的加权版本，其中权重衡量特定类别而不是样本的重要性？
最佳答案
回答我自己的问题:
U-Net paper 的作者使用预先计算的权重图来处理不平衡的类别。
苏黎世联邦理工学院天文学研究所提供了Tensorflow-based U-Net package其中包含 Softmax 函数的加权版本(不是稀疏的，但它们首先展平其标签和 logits):
class_weights = tf.constant(np.array(class_weights, dtype=np.float32))
weight_map = tf.multiply(flat_labels, class_weights)
weight_map = tf.reduce_sum(weight_map, axis=1)
loss_map = tf.nn.softmax_cross_entropy_with_logits_v2(logits=flat_logits, labels=flat_labels)
weighted_loss = tf.multiply(loss_map, weight_map)
loss = tf.reduce_mean(weighted_loss)
关于python - Tensorflow:针对单个图像中不平衡类的加权稀疏_softmax_cross_entropy，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55663783/