为对象检测实现自定义损失函数

Question

我是 keras 和 tensorflow 的新手。我如何在进行对象检测时实现自定义损失函数，现在我有 5 个参数 - 4 个用于边界框坐标，1 个用于对象是否存在。 如果对象存在，损失函数应该return坐标差的平方，否则如果对象不存在，它应该return一个巨大的值作为损失。这是我现在正在尝试的代码：

def loss_func(y_true,y_pred):
  mask = np.array([False, False, False,False,True])   # check column of the class of object
  mask1 = np.array([True, True, True,True,False])     # get the columns of the coordinates of B box
  check_class = K.mean(K.square(tf.subtract(tf.boolean_mask(y_true,mask),tf.boolean_mask(y_pred,mask))))
  mean_square = K.mean(K.square(tf.subtract(tf.boolean_mask(y_true,mask1),tf.boolean_mask(y_pred,mask1))))
  value=K.mean(tf.boolean_mask(y_pred,mask))

  return value*mean_square + check_class

这里我屏蔽了其他值以获得最后一个值，即 1000--> 对象存在 0 --> 对象不存在。还有其他更好的方法吗？

我在Kaggle 运行这个时候的损失值迅速下降，到第2个epoch损失变为0.

Answer 1

首先，我建议使用 1 而不是 1000 作为 "image exist" 参数。
您可以操纵 y_true 和 y_pred.

penalty = 100

def lf(y_true,y_pred):
    mean_square = tf.keras.losses.mean_squared_error(y_true[:,0:4], y_pred[:,0:4])
    check_class = tf.subtract(y_true[:,4], y_pred[:,4])
    check_class = check_class * -penalty
    check_class = tf.keras.backend.mean(check_class)
    return mean_square + check_class

上述函数首先检查前 4 个参数的均方误差。
第二部分然后检查 "present" 参数。
如果它们不同则输出-1，如果它们相同则输出0。
然后它使用惩罚来惩罚错误的参数。

通过一些常量使用 "punish" 可能很难训练。我会建议将优化器更改为 SGD，adam 在这种情况下将无法正常工作，并在获得满意结果之前进行惩罚。

为对象检测实现自定义损失函数

Implementing a custom loss function for object detection

python

object-detection

keras

tensorflow