如何对类似 unet 的 CNN 的结果进行数值评估？

Question

我正在寻找一种方法来对我的类 unet CNN 的结果进行数值评估。

CNN 经过训练可以去除灰度图像中的伪影。因此，CNN 得到一个“9 通道”灰度图像，每个通道都包含伪影（9 个具有部分冗余数据但不同伪影被串联的灰度图像 --> 维度 [numTrainInputs, 512, 512, 9]）作为输入，应该输出单个没有伪影的灰度图像 [numTrainInputs, 512, 512, 1]。 CNN 使用 MSE 作为损失函数并使用 Adam 作为优化器和 Keras 进行训练。到目前为止，还不错。

与无伪影 "ground truth" 图像 --> 尺寸 [numTrainInputs, 512, 512, 1] 相比，CNN 在视觉上提供了良好的结果，但训练期间的准确性保持在 0%。我认为这是因为 none 结果图像完全符合地面实况，对吧！？

但是我怎样才能对结果进行数值评估呢？我在自动编码器领域搜索了一些数值评估，但找不到合适的方法。有人可以给我提示吗？

CNN 长这样：

input_1 = Input((X_train.shape[1],X_train.shape[2], X_train.shape[3]))

conv1 = Conv2D(16, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(input_1)
conv2 = Conv2D(32, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(conv1)
conv3 = Conv2D(64, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(conv2)
conv4 = Conv2D(128, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(conv3)
conv5 = Conv2D(256, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(conv4)
conv6 = Conv2D(512, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(conv5)

upconv1 = Conv2DTranspose(256, (3,3), strides=(1,1), activation='elu',  use_bias=True, padding='same')(conv6)
upconv2 = Conv2DTranspose(128, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(upconv1)
upconv3 = Conv2DTranspose(64, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(upconv2)
upconv3_1 = concatenate([upconv3, conv4], axis=3)

upconv4 = Conv2DTranspose(32, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(upconv3_1)
upconv4_1 = concatenate([upconv4, conv3], axis=3)

upconv5 = Conv2DTranspose(16, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(upconv4_1)
upconv5_1 = concatenate([upconv5,conv2], axis=3)

upconv6 = Conv2DTranspose(8, (3,3), strides=(2,2), activation='elu',  use_bias=True, padding='same')(upconv5_1)
upconv6_1 = concatenate([upconv6,conv1], axis=3)

upconv7 = Conv2DTranspose(1, (3,3), strides=(2,2), activation='linear',  use_bias=True, padding='same')(upconv6_1)

model = Model(outputs=upconv7, inputs=input_1)



model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, Y_train, batch_size=1, epochs=100, shuffle=True, validation_split=0.01, callbacks=[tbCallback])

非常感谢您的帮助！

Answer 1

您对这个问题使用了错误的指标。在回归中 'accuracy' 作为度量没有意义。例如将其更改为 MSE：

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error']))

如何对类似 unet 的 CNN 的结果进行数值评估？

How to numerically evaluate results of an unet-like CNN?

deep-learning

keras

conv-neural-network

evaluation