Keras中图像分割的逐像素损失权重

Question

我目前正在使用U-Net的修改版本（https://arxiv.org/pdf/1505.04597.pdf）分割显微镜图像中的细胞器。由于我使用的是Keras，因此我从https://github.com/zhixuhao/unet获取了代码。但是，在此版本中，未实现任何权重图来强制网络学习边界像素。

到目前为止，我获得的结果相当不错，但是网络无法分离彼此靠近的对象。因此，我想尝试利用本文中提到的权重图。我已经能够为每个标签图像生成权重图（基于给定的公式），但是我无法找到如何使用该权重图来训练我的网络并因此解决上述问题的方法。

权重图和标签图像是否必须以某种方式组合，还是有Keras函数可以让我利用权重图？我是生物学家，最近才开始使用神经网络，所以我的理解仍然很有限。任何帮助或建议，将不胜感激。

Answer 1

万一它仍然有意义：我最近需要解决这个问题。您可以将以下代码粘贴到Jupyter笔记本中，以查看其工作方式。

%matplotlib inline
import numpy as np
from skimage.io import imshow
from skimage.measure import label
from scipy.ndimage.morphology import distance_transform_edt
import numpy as np

def generate_random_circles(n = 100, d = 256):
    circles = np.random.randint(0, d, (n, 3))
    x = np.zeros((d, d), dtype=int)
    f = lambda x, y: ((x - x0)**2 + (y - y0)**2) <= (r/d*10)**2
    for x0, y0, r in circles:
        x += np.fromfunction(f, x.shape)
    x = np.clip(x, 0, 1)

    return x

def unet_weight_map(y, wc=None, w0 = 10, sigma = 5):

    """
    Generate weight maps as specified in the U-Net paper
    for boolean mask.

    "U-Net: Convolutional Networks for Biomedical Image Segmentation"
    https://arxiv.org/pdf/1505.04597.pdf

    Parameters
    ----------
    mask: Numpy array
        2D array of shape (image_height, image_width) representing binary mask
        of objects.
    wc: dict
        Dictionary of weight classes.
    w0: int
        Border weight parameter.
    sigma: int
        Border width parameter.

    Returns
    -------
    Numpy array
        Training weights. A 2D array of shape (image_height, image_width).
    """

    labels = label(y)
    no_labels = labels == 0
    label_ids = sorted(np.unique(labels))[1:]

    if len(label_ids) > 1:
        distances = np.zeros((y.shape[0], y.shape[1], len(label_ids)))

        for i, label_id in enumerate(label_ids):
            distances[:,:,i] = distance_transform_edt(labels != label_id)

        distances = np.sort(distances, axis=2)
        d1 = distances[:,:,0]
        d2 = distances[:,:,1]
        w = w0 * np.exp(-1/2*((d1 + d2) / sigma)**2) * no_labels
    else:
        w = np.zeros_like(y)
    if wc:
        class_weights = np.zeros_like(y)
        for k, v in wc.items():
            class_weights[y == k] = v
        w = w + class_weights
    return w

y = generate_random_circles()

wc = {
    0: 1, # background
    1: 5  # objects
}

w = unet_weight_map(y, wc)

imshow(w)

Answer 2

我想你想在 Keras 中使用class_weight。如果您已经计算了类别权重，那么在您的模型中引入这一点实际上很简单。

1. 使用您的类别标签及其关联的权重创建一个字典。例如

   class_weight = {0: 10.9,
           1: 20.8,
           2: 1.0,
           3: 50.5}
   

2. 或者创建一个与类数量相同长度的一维 Numpy 数组。例如

   class_weight = [10.9, 20.8, 1.0, 50.5]
   

3. 在您model.fit或的训练期间传递此参数model.fit_generator

   model.fit(x, y, batch_size=batch_size, epochs=num_epochs, verbose=1, class_weight=class_weight)
   

您可以在此处查找 Keras 文档以获取更多详细信息。