有没有对像素级 segmentation/classification 任务使用加权损失的例子？
Is there any example of using weighted loss for pixel-wise segmentation/classification tasks?
我正在对我的数据进行 FCN32 语义分割。我 运行 微调我的数据（只有一个通道的灰度图像）的算法，直到 80,000 次迭代；然而，损失和准确性是波动的，输出图像完全是黑色的。甚至，80000次迭代后loss还这么高。我认为 classifier 不能很好地训练我的数据。所以，我打算从头开始训练。
另一方面，我的数据中 class 成员不平衡。背景像素比其他四个 class 多。一些研究人员建议使用加权损失。有人有什么主意吗？我做的对吗？如何将这个加权损失添加到 train_val.prototxt？
如果你知道任何与加权损失训练相关的resources/examples，我将不胜感激，请在这里与我分享。
再次感谢
您可以使用 解决 class 不平衡问题。这种损失可以被视为 "SoftmaxWithLoss" 的扩展，使您能够 "pay" 每个标签的不同损失值。
如果您想使用 "InfogainLoss" 进行 pixel-wise 预测，您可能需要使用 BVLC/caffe PR#3855.
我正在对我的数据进行 FCN32 语义分割。我 运行 微调我的数据（只有一个通道的灰度图像）的算法，直到 80,000 次迭代；然而，损失和准确性是波动的，输出图像完全是黑色的。甚至，80000次迭代后loss还这么高。我认为 classifier 不能很好地训练我的数据。所以，我打算从头开始训练。 另一方面，我的数据中 class 成员不平衡。背景像素比其他四个 class 多。一些研究人员建议使用加权损失。有人有什么主意吗？我做的对吗？如何将这个加权损失添加到 train_val.prototxt？
如果你知道任何与加权损失训练相关的resources/examples，我将不胜感激，请在这里与我分享。
再次感谢
您可以使用 "SoftmaxWithLoss" 的扩展，使您能够 "pay" 每个标签的不同损失值。
如果您想使用 "InfogainLoss" 进行 pixel-wise 预测，您可能需要使用 BVLC/caffe PR#3855.