用于多标签图像分类的 CNN

Posted 2023-03-28

【中文标题】用于多标签图像分类的 CNN

【英文标题】：CNN for multi-label image classification

【发布时间】：2020-02-21 14:54:36

【问题描述】：

我会设计一个分类 8x8 图像块的 CNN。具体来说，我有num_classes 等于 40，每个图像可以关联到一个类或两个类或三个类或四个类，依此类推，甚至所有 40 个类。

我的问题与损失函数和度量有关：确实，我想强制我的 CNN 返回K 最自信的类，如果其中至少有一个是正确的，那么我希望提高准确性

例如，假设更简单的情况num_classes=4 和K=2：

    true = [1 0 0 0]; predicted = [1 0 1 0] OK
    true = [1 1 0 0]; predicted = [0 0 1 1] WRONG

所以，我已经测试了下面的代码行，但它不是我想要的。

    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

我应该使用哪个loss 和metric？或者如果我编写自己的度量函数可能更有意义？

【问题讨论】：

我猜你必须编写自己的损失和指标，但这并不容易，因为损失需要是可区分的。

真的不存在这样操作的内置函数吗？

据我所知没有。您可能可以从只编写指标开始（更容易）并使用binary_crossentropy loss 进行训练。

【参考方案1】：

你compile 看起来不错。对于Multilabel 网络，您还应该使用sigmoid activation 和不 softmax 到最后一个dense layer（不知道您在使用什么）

x = Dense(40, activation='sigmoid')