machine-learning - 实现骰子损失的正确方法是什么？sigmoid 还是 softmax？

Question

我有一个二元语义分割问题，我脑子里有两种方法。

方法一：用sigmoid激活的Unet输出一类，然后我用dice loss来计算loss

方法 2：ground truth 连接到它是逆的，因此有 2 个类。Unet 的输出是 2 个类，并对它们应用 softmax 激活。然后使用骰子损失来计算损失。

哪个是对的？

标签： machine-learningkerasdeep-learningimage-segmentation

Answer 1

这个问题已经在这里回答了。如果您有 2 类问题，则仅输出 1 个通道，使用 sigmoid 函数（输出值介于 0 和 1 之间）。然后，您可以使用输出（连续值）和目标（单通道 one-hot-encoded，离散值）计算骰子损失。如果您的网络输出 2 个通道，则使用 softmax 函数并使用输出（连续值）和目标（2 通道 one-hot-encoded）计算损失。前者是首选，因为您将拥有更少的参数。