我正在训练一个用于 MR 图像脑部提取的模型。我使用 2D U-Net 架构和预训练的 EfficientNetV2B3。def dice_coefficients(y_true, y_pred, smooth=0): Intersection = K.sum(y_tr...

我正在训练一个用于 MRI 图像脑部提取的模型。我使用 2D U-Net 架构和预训练的 EfficientNetV2B3。

def dice_coefficients(y_true, y_pred, smooth=0):

    intersection = K.sum(y_true * y_pred)
    union = K.sum(y_true) + K.sum(y_pred)
    return (2 * intersection + smooth) / (union + smooth)


def dice_coefficients_loss(y_true, y_pred, smooth=0):
    return -dice_coefficients(y_true, y_pred, smooth)

def iou(y_true, y_pred, smooth=0):
    intersection = K.sum(y_true * y_pred)
    sum = K.sum(y_true + y_pred)
    iou = (intersection + smooth) / (sum - intersection + smooth)
    return iou


### COMPILE THE MODEL
opti = Adam(learning_rate=1e-4)
unet_model5.compile(optimizer=opti,
                  loss=dice_coefficients_loss,
                  metrics=["accuracy", iou, dice_coefficients])

# Early Stopping
early_stopping_unet = EarlyStopping(monitor='loss',
                                             patience=10)

# Learning Rate Adjustment
reduce_lr_unet = ReduceLROnPlateau(monitor='val_loss', factor=0.2,
                              patience=5, min_lr=1e-7)
model_history = unet_model5.fit(train_generator, batch_size = 16, epochs=200,validation_data=val_generator, callbacks = [early_stopping_unet, reduce_lr_unet])

Dice系数损失的演变：

骰子系数的演变：

准确度的演变：

我的骰子和准确度值相当高，但我认为如果我能找出模型的问题（如果有的话）会更好。我尝试更改一些超参数，例如学习率、辍学率、层数。我无法将 batch_size 增加到高于 16，然后它会导致资源耗尽的错误，但我使用的是 3060 Ti，并且我确保 tensorflow 使用我的 gpu。我添加了 batchnorm，否则 val_accuracy 不会增加，出于某种我不明白的原因。如果你能解释一下就太好了。我还将我的预训练模型更改为其他模型，例如 VGG16、InceptionResNetV2，并相应地预处理输入，最后是 EfficientNetV2B3，它给出了最好的结果。（我也在使用早期停止并减少 lr 回调）

为什么准确率会迅速增加，而骰子系数却越来越慢？我怎样才能使准确率超过停留在 0.95 的水平？

• efficientnet