1樓：LIY
最近在做眼底圖病變的分割，使用了focal loss來緩解類別不平衡，但是發現特異度挺高的，靈敏度很低，有大佬知道是怎麼回事嗎
2樓：帶帶小師弟
1.既然是類別不均衡問題，從損失函式上修改應該會有一定的提公升。建議使用dice作為損失函式，對畫素不平衡沒有那麼敏感了。
我一般做的都是醫學影響的分割，病灶點區域和背景相比也是存在較大的不均衡，使用dice一般效果都還可以。
2.我認為除了類別不均衡問題之外，還要解決前景目標尺寸過小的問題。模型上儘量減少下取樣次數，避免目標區域經過多次下取樣之後資訊損失過多。
然後還可以使用滑塊的方式進行訓練和測試，雖然會損失全域性資訊，但是增大了目標區域在輸入patch中的佔比，降低了分割難度。
3樓：「已登出」
過小的目標，比如十幾畫素或者更低，沒有檢測的意義，或者說檢測難度太大，因為此時判定這個小目標，主要是根據所在場景來判定的
4樓：
我的幾個想法：
1. 最簡單的，前景的loss增加乙個權重係數，防止前景loss被背景loss淹沒。
2. 使用難負樣本挖掘，即挑出背景畫素中loss最大的前n個計算loss，類似ssd的思路。
3. 使用例項分割，得到前景roi之後再分割，相當於乙個attention機制，比如mask rcnn。
5樓：Haozhi Qi
乙個大 trick 是初始化的時候把負樣本那一維的 bias 設成乙個比較大的正數，比如 sigmoid 可以設成 4.6 於是開始所有的 pixel 都會被 99% confidence 分為 background。此 trick 配合 [loss normalization 的時候除以正樣本 pixel 數量] 有奇效。
Faster rcnn不能檢測小目標的原因？
李聰 ROI pooling步驟中，RPN在原始feature map上取對應的部分時進行了取整操作，比如把座標20.78近似為20，那麼就會帶來0.78 32 25個pixel的誤差，這對於大目標檢測來說一般無所謂，小目標偏移量就不能忽視了，會導致特徵無法對齊 misalignment 的情況。 ...
數字影象處理中常用影象分割演算法有哪些？
這應該是第乙個使肉眼可以通過分割後的單層次線劃圖識別出整個影象內容的分割演算法。這個影象分割演算法能發那個檔次的期刊和會議？ 現有的影象分割方法主要分以下幾類 基於閾值的分割方法 基於區域的分割方法 基於邊緣的分割方法 基於特定理論的分割方法等。特定理論大概有 聚類分析 模糊集理論 基因編碼 小波變...
如何成為乙個有目標的人？
第一步 明白了目標的意義，就是知道如何確定目標的第一步。哈佛大學1953年曾經做過這樣乙個關於目標對人生結果影響的調查，一群智力 學歷 環境 條件都相差無幾的學生在走出校門之前，哈佛大學對他們進行了一次關於人生目標的調查。結果是這樣的 1 27 的人沒有目標 2 60 的人目標模糊 3 10 的人有...