使用 keras 实现 u-net 的 Jaccard 准确度为零

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 它运作良好，但我的问题是两个 class 分割问题，所以我想将准确度指标设置为 jaccard，以及损失函数

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：

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 准确度都会下降，直到达到零！任何解释为什么会发生这种情况？？
P.S: 骰子也会发生同样的事情。
P.S: 输出层是conv 1 * 1 带sigmoid激活函数

更新：

附上二进制精度在keras中的原始实现：

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

而且我可以看到它也使用舍入来获得输出预测。

Answer 1

尝试以下从 github 复制的函数。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])

Answer 2

您正在舍入函数 (K.round)。

这会导致两个问题：

（真正的问题）该函数不可微，不能成为损失函数（将显示 "None values not supported" 错误）
只要您的网络不确定并且有任何低于 0.5 的值，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）像素的数量，则会发生这种情况：

您的网络倾向于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！
- 如果不四舍五入，还有更好的 Jaccard
- 但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，它才会开始在它们应该出现的地方显示白色像素。

出于上述两个原因，您确实应该使用 non-rounded 函数。
有时绘制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）

使用 keras 实现 u-net 的 Jaccard 准确度为零

Zero Jaccard accuracy in u-net implementation with keras

python

machine-learning

image-segmentation

deep-learning

keras

更新：