实现一个自定义的损失函数用于目标检测

Question

实现一个自定义的损失函数用于目标检测

5

我刚开始接触keras和tensorflow。在目标检测时如何实现自定义损失函数，目前我有5个参数——4个用于边界框坐标，1个用于确定物体是否存在。如果物体存在，则损失函数应返回坐标差的平方；否则，应返回一个巨大的值作为损失。 这是我正在尝试的代码：

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

我在这里掩盖其他值，以获得最后一个值，即1000->对象存在0->对象不存在。是否有其他更好的方法来做到这一点？

当我在Kaggle上运行时，损失值迅速下降，到第二个纪元时，损失变为0。

- Kitwradr

你是否使用大小为1的批次？（因为您使用了大小为5的掩码） - Dinari

批量大小不是1，我以为损失函数会针对每个图像进行计算？实际上，批量大小是16。 - Kitwradr

@Or Dinari，我把批处理大小改成了1，现在损失只有0-没有变化。 - Kitwradr

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Dinari · Accepted Answer

首先，我建议在“图像存在”参数中使用1而不是1000。
您可以操作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

以上函数首先检查前4个参数的均方误差。
然后检查“present”参数。
如果不同，它将输出-1，如果相同，则输出0。
接下来，它使用惩罚对错误参数进行惩罚。

使用某个常数作为“惩罚”可能难以训练。我建议将优化器更改为SGD，因为adam在这种情况下效果不好，并尝试调整惩罚力度直到达到满意的结果。