使用 keras 实现 u-net 的 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 repo https://github.com/zhixuhao/unet 效果很好，但我的问题是二分类问题，所以我想将准确度指标设置为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这样吗？？
P.S：骰子也会发生同样的事情。
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)

而且我可以看到它还使用舍入来获得输出预测。

Answer 1

你正在四舍五入你的函数 (K.round)。

这会导致两个问题：

• （真正的问题）该函数不可微，不能作为损失函数（将显示“None values not supported”错误）
• 当您的网络不确定并且有任何低于 0.5 的值时，这些值将被视为零。

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

• 您的网络将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！
  • 如果不是圆角，也是更好的 Jaccard
  • 但如果四舍五入则为零 Jaccard
• 只有稍后，当学习率调整得更精细时，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。
并有时绘制你的输出以查看发生了什么:)

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）

Answer 2

试试下面这些功能，复制自github。在 keras 指标中使用 jacard_coef，如果你想要 jacard_coef_loss keras loss

def jacard_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (intersection + 1.0) / (K.sum(y_true_f) + K.sum(y_pred_f) - intersection + 1.0)


def jacard_coef_loss(y_true, y_pred):
    return -jacard_coef(y_true, y_pred)

model.compile(optimizer = Adam(lr = 1e-4), loss = [jacard_coef_loss], metrics = [jacard_coef])