Keras，二进制分割，将权重添加到损失函数中

Question

我正在解决Keras(w. tf后端(的二进制分割问题。如何在面膜每个区域的中心增加更多的重量？

我已经尝试过添加cv2.erode()的骰子，但它不起作用

def dice_coef_eroded(y_true, y_pred):
    kernel = (3, 3)
    y_true = cv2.erode(y_true.eval(), kernel, iterations=1)
    y_pred = cv2.erode(y_pred.eval(), kernel, iterations=1)
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + 1) / (K.sum(y_true_f) + K.sum(y_pred_f) + 1)

Keras 2.1.3， Tensorflow 1.4

Answer 1

好的，我找到的解决方案如下：

1(在迭代器中创建一种方法来检索权重矩阵(形状=掩码形状(。输出必须包含 [图像、蒙版、权重]

2( 创建一个包含损失函数的 Lambda 层

3( 创建身份丢失函数

例：

def weighted_binary_loss(X):
    import keras.backend as K
    import keras.layers.merge as merge
    y_pred, weights, y_true = X
    loss = K.binary_crossentropy(y_pred, y_true)
    loss = merge([loss, weights], mode='mul')
    return loss
def identity_loss(y_true, y_pred):
    return y_pred
def get_unet_w_lambda_loss(input_shape=(1024, 1024, 3), mask_shape=(1024, 1024, 1)):
    images = Input(input_shape)
    mask_weights = Input(mask_shape)
    true_masks = Input(mask_shape)
    ...
    y_pred = Conv2D(1, (1, 1), activation='sigmoid')(up1) #output of original unet
    loss = Lambda(weighted_binary_loss, output_shape=(1024, 1024, 1))([y_pred, mask_weights, true_masks])
    model = Model(inputs=[images, mask_weights, true_masks], outputs=loss)

Answer 2

我正在实施这个解决方案，但我想知道我们必须给网络的基本事实是什么。也就是说，现在输出是损失，我们希望损失为 0，那么我们应该像下面这样训练网络吗？

model = get_unet_w_lambda_loss()
model.fit([inputs, weights, masks], zero_images)