深度学习中可能/可能的类别

Question

我有兴趣利用我在深度学习任务中获得的部分标记数据.我正在使用完全卷积方法,而不是从标记区域采样补丁.

我有一个掩模,在图像中勾勒出明确正面例子的区域,但图像中未遮盖的区域不一定是负面的 - 它们可能是正面的.有没有人知道在深度学习环境中融入这类课程的方法？

三重/对比损失似乎可能是要走的路,但我不确定如何适应"模糊"或模糊的负/正空间.

Answer 1

尝试按照《深度学习》一书第 7.5.1 节中所述进行标签平滑：

我们可以假设对于某个小常数eps，训练集标签 y 有概率是正确的1 - eps，否则任何其他可能的标签都可能是正确的。

k标签平滑通过分别用 的目标替换硬 0 和 1 分类目标，对基于具有输出值的 softmax 的模型进行正则化eps / k and 1 - (k - 1) / k * eps。

请参阅我关于在 Pandas 中实现标签平滑的问题。

否则，如果您确定某些领域是负面的，其他领域是正面的，而有些领域是不确定的，那么您可以引入第三个不确定类别。我处理过包含不确定类别的数据集，这些数据集对应于可能属于任何可用类别的样本。