天池語義分割task04

tp tn fp fn

在講解語義分割中常用的評價函式和損失函式之前，先補充一 tp(真正例 true positive) tn(真反例 true negative) fp(假正例 false positive) fn(假反例 false negative) 的知識。在分類問題中，我們經常看到上述的表述方式，以二分類為例，我們可以將所有的樣本**結果分成 tp、tn、fp、fn 四類，並且每一類含有的樣本數量之和為總樣本數量，即tp+fp+fn+tn= 總樣本數量。其混淆矩陣如下：

上述的概念都是通過以**結果的視角定義的，可以依據下面方式理解：

• **結果中的正例 在實際中是正例 的所有樣本被稱為真正例（tp）< **正確 >

• **結果中的正例 在實際中是反例 的所有樣本被稱為假正例（fp）< **錯誤 >

• **結果中的反例 在實際中是正例 的所有樣本被稱為假反例（fn）< **錯誤 >

• **結果中的反例 在實際中是反例 的所有樣本被稱為真反例（tn）< **正確 >

這裡就不得不提及精確率（precision）和召回率（recall）：

p recision =t p/(t p + f p)

recall =t p/(t p + f n)

p recision 代表了**的正例中真正的正例所佔比例；recall 代表了真正的正例中被正確**出來的比例。

轉移到語義分割任務中來，我們可以將語義分割看作是對每乙個影象畫素的的分類問題。根據混淆矩陣中的定義，我們亦可以將特定畫素所屬的集合或區域劃分成 tp、tn、fp、fn 四類。

iou指標就是常說的交並比，不僅在語義分割評價中經常被使用，在目標檢測中也是常用的評價指標。顧名思義，交並比就是指 target 與 prediction 兩者之間交集與並集的比值：

iou =(t ∩ p)/(t ∪ p)=t p/(f p + t p + f n)

dice 係數（dice coefficient）是常見的評價分割效果的方法之一，同樣也可以改寫成損失函式用來度

量 prediction 和 target 之間的距離。dice 係數定義如下：

dice(t, p) = 2|t ∩ p|

|t| ∪ |p|

=2t p

f p + 2t p + f n

式中：t 表示真實前景（target），p 表示**前景（prediction）。dice 係數取值範圍為 [0, 1]，其中值為1 時代表**與真實完全一致。仔細觀察，dice 係數與分類評價指標中的 f1 score 很相似：

1/f1=1/precision+f1/recall=2tp/(f p + 2t p + f n)

所以，dice 係數不僅在直觀上體現了 target 與 prediction 的相似程度，同時其本質上還隱含了精確

率和召回率兩個重要指標。

計算 dice 時，將 |t ∩ p| 近似為 prediction 與 target 對應元素相乘再相加的結果

天池語義分割task03

1 fcn 原理及網路結構 fcn 首先將一幅 rgb 影象輸入到卷積神經網路後，經過多次卷積以及池化過程得到一系列的特徵 圖，然後利用反卷積層對最後乙個卷積層得到的特徵圖進行上取樣，使得上取樣後特徵圖與原影象的大小一樣，從而實現對特徵圖上的每個畫素值進行 的同時保留其在原影象中的空間位置資訊，最後...

天池語義分割task05

乙個成熟合格的深度學習訓練流程至少具備以下功能 在訓練集上進行訓練，並在驗證集上進行驗證 模型可以儲存最優的權重，並讀取權重 記錄下訓練集和驗證集的精度，便於調參。一 學習目標 理解驗證集的作用，並使用訓練集和驗證集完成訓練 學會使用 pytorch 環境下的模型讀取和載入，並了解調參流程 二 構造...

動手學深度 Task04

思考 課程中提到了beam search 覺得講的太粗略，而且例子給的不清晰，留下兩個疑問 在beam search裡面，每乙個保留的是所有搜尋的top k最優，還是一開始分成k個子搜尋，然後每一步保留子搜尋的最優？最終有k個結果，如何選擇最優？注意力機制，簡單的理解，就是對輸入進行加權求平均，而這...