具有数据不平衡问题的二元分类损失函数
Loss function for binary classification with problem of data imbalance
我尝试使用带有 keras 的深度卷积神经网络来分割 MR 图像中的多发性硬化病灶。在此任务中，必须对每个体素进行分类，作为病变体素或健康体素。
这项任务的挑战是数据不平衡，即病变体素的数量少于健康体素的数量，数据极度不平衡。
我的训练数据很少，无法使用抽样技术。我尝试 select 适当的损失函数来对这些图像中的体素进行分类。
我测试了 focal 损失，但我无法调整此损失函数中的 gamma 参数。
也许有人可以帮助我如何select为这个任务适当的损失函数？
Focal loss 确实是一个不错的选择，但很难调整它来工作。
我建议使用 ：在每次迭代中，在您的 forward 通过后，您会计算每个体素的损失。 在计算梯度之前，根据损失（从高到低）对“健康”体素进行排序，并将除较差 k 之外的所有健康体素的损失设置为零（其中 k 大约是批次中“病变”体素数量的 3 倍）。
这样，梯度只会被估计为一个大致平衡的集合。
This 视频详细解释了 class 不平衡如何对训练产生负面影响，以及如何使用在线 hard negative mining 来克服它。
我尝试使用带有 keras 的深度卷积神经网络来分割 MR 图像中的多发性硬化病灶。在此任务中，必须对每个体素进行分类，作为病变体素或健康体素。
这项任务的挑战是数据不平衡，即病变体素的数量少于健康体素的数量，数据极度不平衡。
我的训练数据很少，无法使用抽样技术。我尝试 select 适当的损失函数来对这些图像中的体素进行分类。
我测试了 focal 损失，但我无法调整此损失函数中的 gamma 参数。
也许有人可以帮助我如何select为这个任务适当的损失函数？
Focal loss 确实是一个不错的选择，但很难调整它来工作。
我建议使用 forward 通过后，您会计算每个体素的损失。 在计算梯度之前，根据损失（从高到低）对“健康”体素进行排序，并将除较差 k 之外的所有健康体素的损失设置为零（其中 k 大约是批次中“病变”体素数量的 3 倍）。
这样，梯度只会被估计为一个大致平衡的集合。
This 视频详细解释了 class 不平衡如何对训练产生负面影响，以及如何使用在线 hard negative mining 来克服它。