Tensorflow：单个图像上不平衡类的加权sparse_softmax_cross_entropy

Question

我正在执行二进制语义分割任务，其中一类在任何输入图像上的分布都非常小，因此仅标记了几个像素。 当使用sparse_softmax_cross_entropy时，忽略此类时，很容易减少总体错误。 现在，我正在寻找一种通过加权系数加权类别的方法，该系数可以比其他类别更高地惩罚特定类别的误分类。

损失函数的文档指出：

权重是损失的系数。 如果提供了标量，则损耗将简单地按给定值缩放。 如果权重是形状为[batch_size]的张量，则损失权重将应用于每个相应的样本。

如果我正确理解这一点，则表示批次中的特定样品的加权与其他样品相比有所不同。 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，其中权重确定特定类而不是样本的重要性？

Answer 1

要回答我自己的问题：

U-Net论文的作者使用预先计算的权重图来处理不平衡的类。

苏黎世联邦理工学院天文研究所提供了一个基于Tensorflow的U-Net软件包 ，其中包含Softmax函数的加权版本（不是稀疏的，但它们首先将其标签扁平化并进行logit）：

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)