Как взвешивать классы для семантической сегментации?

[BeS 53]

Ковырял тут на досуге задачу семантической сегментации, пробовал сетку SegNet и возник вопрос: а чего там означают веса по классам?
Если верить референсным статьям, там классы должны взвешиваться с величиной, обратной площади, занимаемой этими классами...но если посмотреть в их сэмпл-модели, то можно заметить, что там есть веса сильно больше единицы (segnet_train.prototxt):

layer {
name: "loss"
type: "SoftmaxWithLoss"
bottom: "conv1_1_D"
bottom: "label"
top: "loss"
softmax_param {engine: CAFFE}
loss_param: {
weight_by_label_freqs: true
ignore_label: 11
class_weighting: 0.2595
class_weighting: 0.1826
class_weighting: 4.5640
class_weighting: 0.1417
class_weighting: 0.9051
class_weighting: 0.3826
class_weighting: 9.6446
class_weighting: 1.8418
class_weighting: 0.6823
class_weighting: 6.2478
class_weighting: 7.3614
}
}

Что как-то контринтуитивно...
как эти веса посчитать для своего кастомного датасета?

[Smorodov 578]

Ну так взяли за единицу нечто среднее, вот и скачет в обе стороны, тем более площадь, там же квадратичная зависимость от стороны.

ЗЫ: А что за синий текст  ?

[BeS 53]

15 minutes ago, Smorodov said:

Ну так взяли за единицу нечто среднее, вот и скачет в обе стороны

В смысле отскалировали значения в некоторый больший интервал, чем [0; 1] ? Гипотетически большая точность вычисления флотов?

 

19 minutes ago, Smorodov said:

ЗЫ: А что за синий текст  ?

Неудачно скопипастил вопрос с другого форума, но так и не смог удалить фоновый цвет)

[Smorodov 578]

Так там про нормирование в интервал [0:1] и не говорится, а говорится о взвешивании.

Если у нас открытое множество данных, то заранее невозможно установить рамки так, чтобы оптимально по распределению и умещалось в заранее заданный интервал. 

Просто взяли некую площади за единицу, и посчитали соотношения.

[BeS 53]

Посчитал статистики...получается, что +/- эти цифры соответствуют тому, если мы посчитаем величину обратную числу пикселей, принадлежащих соответствующему классу и домножим все это дело на 1e6...судя по всему действительно избавлялись от длиных вещественных хвостов.

[mrgloom 242]

Похоже на интервал [0 10]

Легче в репе спросить https://github.com/alexgkendall/caffe-segnet/issues

[mrgloom 242]

https://github.com/alexgkendall/caffe-segnet/issues/37

 

f(class) = frequency(class) / (image_count(class) * 480*360)
weight(class) = median of f(class)) / f(class)