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