我在思考如何使用TensorFlow处理图像分割中未标记的部分。例如,我的输入是一个高度*宽度*通道数的图像。标签也是相同大小的高度*宽度,每个像素有一个标签。
图像的某些部分已经注释,其他部分没有。我希望这些部分对梯度计算没有任何影响。此外,我对网络预测“空”标签不感兴趣。
是否有一个标签或函数可以实现这一功能?目前我正在使用tf.nn.sparse_softmax_cross_entropy_with_logits
。
我在思考如何使用TensorFlow处理图像分割中未标记的部分。例如,我的输入是一个高度*宽度*通道数的图像。标签也是相同大小的高度*宽度,每个像素有一个标签。
图像的某些部分已经注释,其他部分没有。我希望这些部分对梯度计算没有任何影响。此外,我对网络预测“空”标签不感兴趣。
是否有一个标签或函数可以实现这一功能?目前我正在使用tf.nn.sparse_softmax_cross_entropy_with_logits
。
我对TF不是100%熟悉。不过,你考虑过使用损失的weights
参数吗?
查看tf.loses.sparse_softmax_cross_entropy
,它具有一个weights
参数。
weights
:用于损失的系数。这必须是标量或与标签相同的等级
您可以将“void”像素的weight
设置为零,从而使损失忽略它们。
您还可以从tf.nn.sparse_softmax_cross_entropy_with_logits
中删除减少,并使用tf.losses.compute_weighted_loss
执行加权。