Хорошая производительность с точностью, но без потери кубиков при сегментации изображений. ⇐ Python

[Anonymous]

Я занимаюсь сегментацией изображений с помощью U-Net, подобной архитектуре, на Tensorflow с Keras, но я новичок в глубоком обучении.

У меня есть этот набор данных со следующими заданными формами:

• Train: X: (175250, 30, 30, 6) Y: (175250, 30, 30)
• Проверка: X: (29200, 30, 30, 6) Y: (29200, 30, 30)
• Тест: X: (29200, 30, 30, 6) Y: (29200, 30, 30)

Есть несколько примеров этих изображений и каждого канала, ниже.

--> с 20 % положительных примеров и 80 % отрицательных примеров поровну в каждом наборе.

Я запускаю несколько серий, но для лучшей комбинации фильтров она создала
график для BCE с хорошей точностью:



Сюжет для пользовательских функций, Dice_Loss от Dice_Coeff:




И некоторые изображения, созданные из лучших модель, обученная с использованием тестовых изображений:




Проблема в том, что когда я перехожу к потерям в кубиках и коэффициенту, хороших прогнозов, как мы видели на графике изображения, не бывает, и теперь их нет в прогнозе изображения, как мы можем видеть.



Почему он так плохо работает при проигрыше игральных костей? Какую еще функцию вы порекомендуете?

Моя функция проигрыша и коэффициента:

Код: Выделить всё

def dice_coeff(y_true, y_pred, smooth=1):
intersection = K.sum(K.abs(y_true * y_pred), axis=-1)
return (2. * intersection + smooth) / (K.sum(K.square(y_true),-1) + K.sum(K.square(y_pred),-1) + smooth)

def dice_loss(y_true, y_pred):
return 1-dice_coeff(y_true, y_pred)

Подробнее здесь: https://stackoverflow.com/questions/606 ... gmentation