12.13 日志

Pyramid Feature Attention Network for Saliency detection论文的代码运行

utils.py
该文件里写了三个评价指标
对应于train.py里的

metrics = [acc,pre,rec]

这三个评价指标他都是自定义的，我一开始也觉得奇怪，明明Keras中有自带的acc，为什么它要自己定义？

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

上面是Keras中自带的acc

def acc(y_true, y_pred):
    y_pred = tf.sigmoid(y_pred)
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

这是作者写的。
差别是模型将预测的结果先做了一个sigmoid之后再计算准确率。

所以翻到模型model.py中去看

sa = Conv2D(1, (3, 3), padding='same', name='sa')(fea)

最后一层并没有使用sigmoid激活
再去损失函数edge_hold_loss.py中去看

saliency_loss = K.mean(tf.nn.weighted_cross_entropy_with_logits(y_true,y_pred,saliency_pos), axis=-1)

计算交叉熵损失函数时，用的是没有经过sigmoid的特征来算的。

再去test中去看，

pridict = sigmoid(pridict)*255

最后的结果是要在模型预测的结果上加一个sigmoid的。

这样训练会更好吗？我决定一会把sigmoid放到模型里，做个对照实验。

再看其他两个评价指标

#精准度Precision，P = TP/(TP+FP) 指被分类器判定正例中的正样本的比重，表示你预测为正的样本中有多少预测对了
def pre(y_true, y_pred):
    y_pred = tf.sigmoid(y_pred)
    TP = K.sum(tf.multiply(y_true, K.round(y_pred)))
    S = K.sum(K.round(y_pred))
    return TP / S

#召回率Recall，R=TP/(TP+FN) 指的是被预测为正例的占总的正例的比重，表示真实标签为正的样本有多少被你预测对了
def rec(y_true, y_pred):
    y_pred = tf.sigmoid(y_pred)
    TP = K.sum(tf.multiply(y_true, K.round(y_pred)))
    S = K.sum(y_true)
    return TP / S