用于分割的DSC和IOU
用于分割的DSC和IOU
提问于 2021-05-30 05:06:07
在培训和验证过程中，我一直试图以二进制交叉熵作为损失，并阅读dice_coeff和iou作为衡量标准。经过5个年代后的结果是
Epoch 5/5 2373/2373 [==============================] - 84s 35ms/step - loss: 0.0260 - dice_coef: 0.9864 - iou: 0.9734 - val_loss: 0.0579 - val_dice_coef: 0.9583 - val_iou: 0.9216我使用的指标如下：
def iou(y_true, y_pred):
def f(y_true, y_pred):
intersection = (y_true * y_pred).sum()
union = y_true.sum() + y_pred.sum() - intersection
x = (intersection + 1e-15) / (union + 1e-15)
x = x.astype(np.float32)
return x
return tf.numpy_function(f, [y_true, y_pred], tf.float32)
smooth = 1e-15
def dice_coef(y_true, y_pred):
y_true = tf.keras.layers.Flatten()(y_true)
y_pred = tf.keras.layers.Flatten()(y_pred)
intersection = tf.reduce_sum(y_true * y_pred)
return (2. * intersection + smooth) / (tf.reduce_sum(y_true) + tf.reduce_sum(y_pred) + smooth)
def dice_loss(y_true, y_pred):
return 1.0 - dice_coef(y_true, y_pred)评估结果在这里
46/46 [==============================] - 12s 259ms/step - loss: 0.0557 - dice_coef: 0.9567 - iou: 0.9181，我怀疑这是
- 尽管我得到95%的骰子和91%的iou，但预测的口罩并不像预期的那样。他们预测了大部分图像的很多区域。我不知道这95%是怎么得到的。有许多图像的预测是不合理的。
- 据我所知，训练和验证结果给出了一个平均的骰子分数。预测的掩码值在0,1之间。通常在论文中报道的是什么？它是在应用threshold>0.5之后还是在阈值之前？难道我们不能用一种以阈值为标准的指标来训练网络吗？如果是，请帮我处理密码。在对模型进行评估后，测试图像的结果如下：
回答 1
Stack Overflow用户
发布于 2021-05-30 05:49:08
如果要将阈值考虑在内，则需要绘制ROC曲线。对于二进制分类(每像素)，ROC曲线向您展示了准确度和特异性随阈值的变化。
一旦你有了一条ROC曲线，你就可以测量“曲线下面积”，得到一个计算分类器的数字。
您可以使用sklearn.metrics.roc_curve实现来计算它。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/67757876
复制相关文章
相似问题
腾讯云开发者
