我正在构建一个 UNET 语义分割网络，以检测眼睛图像中的虹膜，我们使用 DICE 损失函数，我们实现了超过 90% 的训练平均 IOU 和大约 87% 的验证数据，但验证损失和平均 IOU在 200 个 epoch 中显示出波动，当我们测试我们的网络时，它显示出非常糟糕的结果，即使我们使用来自训练集的图像，输出图像也没有接近真实情况，它仍然表现不佳，任何关于我们可以做什么的建议克服这一点。
【问题讨论】：
标签： python keras computer-vision
数据集是公开的吗？你可以在这里找到一些很好的资源和指导：https://github.com/NVIDIA/DeepLearningExamples/tree/master/TensorFlow2/Segmentation/UNet_Medical 你还会发现基准测试结果。我认为他们是使用 0.0001 学习率的 ADAM 优化器。培训过程部分中的更多详细信息。
【讨论】：
您的 DSC 损失实现是什么样的？你使用的激活函数是什么？我个人使用过：
def dice_coef(y_true, y_pred, smooth=1e-3):
y_true_f = K.flatten(y_true)
y_pred_f = K.flatten(y_pred)
intersection = K.sum(y_true_f * y_pred_f)
dice = (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)
return dice
def dice_coef_loss(y_true, y_pred):
return 1 - dice_coef(y_true, y_pred)
作为几个 U-Net 分割架构中的损失函数和度量，以及 sigmoid 作为激活函数（假设它是一个二元分类问题）。此外，如果您正在针对 IOU 进行优化，您可能希望将损失更改为 IOU 损失 - 类似于以下内容：
def iou(y_true, y_pred, smooth=1e-3):
intersection = K.sum(K.abs(y_true * y_pred), axis=-1)
union = K.sum((y_true,-1) + K.sum(y_pred,-1) - intersection
return (intersection + smooth) / ( union + smooth)
def iou_loss(y_true, y_pred):
return -iou_coef(y_true, y_pred)
希望这会有所帮助！
【讨论】：