![](/img/trans.png)
[英]How to properly use CategoricalCrossentropy loss for image segmentation in Tensorflow 2.0/Keras?
[英]How to use class weights in Keras for image segmentation
我正在嘗試使用用Keras
實現的 U-Net 版本來分割醫學圖像。 我的網絡的輸入是 3D 圖像,輸出是兩個單熱編碼的 3D 分割圖。 我知道我的數據集非常不平衡(沒有那么多可分割),因此我想使用 class 權重來計算我的損失 function (當前為binary_crossentropy
)。 有了 class 權重,我希望 model 將更多地關注它必須分割的小東西。
如果您知道數據庫的不平衡,可以將參數class_weight
傳遞給model.fit()
。 這也適用於我的用例嗎?
在上述 github 問題的幫助下,我設法解決了我的特定用例的問題。 無論如何,我想與您分享解決方案。 一個額外的障礙是我正在為我的數據使用自定義生成器。 此 class 的簡化版本是以下代碼:
import numpy as np
import keras
class DataGenerator(keras.utils.Sequence):
'Generates data for Keras'
def __init__(self, list_IDs, batch_size=2, dim=(144,144,144), n_classes=2):
'Initialization'
self.dim = dim
self.batch_size = batch_size
self.list_IDs = list_IDs
self.n_classes = n_classes
self.on_epoch_end()
def __len__(self):
'Denotes the number of batches per epoch'
return int(np.floor(len(self.list_IDs) / self.batch_size))
def __getitem__(self, index):
'Generate one batch of data'
# Generate indexes of the batch
indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]
# Find list of IDs
list_IDs_temp = [self.list_IDs[k] for k in indexes]
# Generate data
x, y = self.__data_generation(list_IDs_temp)
return x, y
def __data_generation(self, list_IDs_temp):
'Generates data containing batch_size samples' # X : (n_samples, *dim, 1)
# Initialization
x = np.empty((self.batch_size, *self.dim, 1))
y = np.empty((self.batch_size, *self.dim, 1))
# Generate data
for i, ID in enumerate(list_IDs_temp):
# Load dataset
data = np.load('data/' + ID + '.npy')
# Store x and y
x[i,] = data[:, :, :, 0] # Image
y[i,] = data[:, :, :, 1] # Mask
# One-hot-encoding
y = keras.utils.to_categorical(y, num_classes=self.n_classes)
return x, y
實際上,幾行代碼就可以解決問題。 使用額外的輸入參數class_weights
到我的生成器,將 class 權重轉換為__getitem__()
方法中每個單獨批次的樣本權重的行,以及以相同方法返回樣本權重的行,我解決了這個問題。 class 權重作為具有以下結構的列表輸入: class_weights = [weight_class_0, weight_class_1]
。 我的基本生成器 class 現在看起來像這樣(我用注釋標記了更改):
import numpy as np
import keras
class DataGenerator(keras.utils.Sequence):
'Generates data for Keras'
def __init__(self, list_IDs, class_weights, batch_size=2, dim=(144,144,144),
n_classes=2):
'Initialization'
self.dim = dim
self.batch_size = batch_size
self.list_IDs = list_IDs
self.n_classes = n_classes
self.class_weights = class_weights # CLASS WEIGHTS FIX
self.on_epoch_end()
def __len__(self):
'Denotes the number of batches per epoch'
return int(np.floor(len(self.list_IDs) / self.batch_size))
def __getitem__(self, index):
'Generate one batch of data'
# Generate indexes of the batch
indexes = self.indexes[index*self.batch_size:(index+1)*self.batch_size]
# Find list of IDs
list_IDs_temp = [self.list_IDs[k] for k in indexes]
# Generate data
x, y = self.__data_generation(list_IDs_temp)
# Compute sample weights CLASS WEIGHTS FIX
sample_weights = np.take(np.array(self.class_weights), np.round(y[:, :, :, :, 1]).astype('int'))
return x, y, sample weights # CLASS WEIGHTS FIX
def __data_generation(self, list_IDs_temp):
'Generates data containing batch_size samples' # X : (n_samples, *dim, 1)
# Initialization
x = np.empty((self.batch_size, *self.dim, 1))
y = np.empty((self.batch_size, *self.dim, 1))
# Generate data
for i, ID in enumerate(list_IDs_temp):
# Load dataset
data = np.load('data/' + ID + '.npy')
# Store x and y
x[i,] = data[:, :, :, 0] # Image
y[i,] = data[:, :, :, 1] # Mask
# One-hot-encoding
y = keras.utils.to_categorical(y, num_classes=self.n_classes)
return x, y
它可能看起來有點像一個神奇的單線,但是sample_weights = np.take(np.array(self.class_weights), np.round(y[:, :, :, :, 1]).astype('int'))
的作用如下:它采用屬於不那么常見的 class 的 y 值,在我的例子中是要分割的,並給這個 3D 圖像中的每個像素一個樣本權重。 該樣本權重是常見的 class 的 class 權重或不常見的 class,具體取決於像素也屬於哪個 ZA2F2ED4F8EBC406CBBDZC21A29。
The output of this generator class can be then used in the model.fit()
method of the Keras model as long as sample_weight_mode="temporal"
is passed to model.compile()
.
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.