为什么不使用IOU进行培训？

Question

当人们尝试用CNN解决语义分割的任务时,他们通常在训练期间使用softmax-crossentropy损失(参见完全转换 - 长).但是,当谈到比较不同方法的表现时,报告了诸如交叉结合的措施.

我的问题是为什么人们不直接训练他们想要优化的措施？在训练期间对我进行一些衡量训练似乎很奇怪,但评估基准的另一个衡量标准.

我可以看到IOU在训练样本时存在问题,其中类不存在(union = 0且intersection = 0 =>除零归零).但是,当我可以确保我的基础事实的每个样本都包含所有类别时,还有另一个不使用此度量的原因吗？

Answer 1

这就像问“为什么我们训练对数损失而不是准确性进行分类？”。原因很简单——你不能直接训练大多数指标，因为它们是不可微的。到您的参数（或至少不会产生很好的错误表面）。对数损失（softmax 交叉熵）是准确性的有效替代指标。现在你是完全正确的，用不是你感兴趣的指标的有效替代品的东西进行训练是完全错误的，并且链接的论文做得不好，因为至少对于他们正在考虑的一些指标 - 我们可以轻松显示良好的替代品（例如，对于加权准确度，您所要做的就是重量对数损失）。

Answer 2

查看本文,他们提出了一种方法,使IoU的概念可以区分.我实施了他们的解决方案,效果惊人

Answer 3

这是另一种简单的思考方式。

请记住，在解决相关图像问题时，仅仅评估准确性或 IoU 等指标是不够的。评估指标还必须帮助网络了解权重必须朝哪个方向推动，以便网络可以在迭代和历元中有效地学习。

评估这个方向就是早期评论的意思，即错误是可微的。我想网络没有任何关于 IoU 指标可以用来表达：“嘿，它不完全在这里，但我可能必须将我的边界框向左移动一点！”

只是一点点解释，但希望能有所帮助。