我在进行一个深度学习任务时，希望利用一些部分标记的数据。我采用的是全卷积方法，而不是从标记区域中抽取样本块。

我有掩码，用于勾勒出图像中确定的正例区域，但图像中未被掩码的区域不一定是负例——它们可能是正例。有人知道如何在深度学习环境中纳入这种类型的类别吗？

三元/对比损失似乎可能是解决方案，但我不确定如何适应这种“模糊”或不明确的负/正空间。

回答：

尝试使用《深度学习书》第7.5.1节中描述的标签平滑方法：

我们可以假设，对于某个小的常数eps，训练集标签y正确的概率为1 - eps，否则任何其他可能的标签都有可能是正确的。

标签平滑通过用eps / k和1 - (k - 1) / k * eps分别替换硬0和1分类目标，对基于k个输出值的softmax模型进行正则化。

关于在Pandas中实现标签平滑，请参见我的问题在这里。

否则，如果你确定某些区域是负的，其他是正的，而有些是不确定的，那么你可以引入第三个不确定类。我曾经处理过包含不确定类的数据集，这些样本可能属于任何可用的类别。