用於訓練完全卷積神經網絡的子補丁生成機制

-2

我有一個圖像集，包含300個圖像對，即原始圖像和蒙版圖像。典型的蒙版圖像如下所示。每張圖片的大小爲800 * 800。我試圖爲這個圖像集訓練完全卷積神經網絡模型來執行語義分割。我試圖從原始圖像中生成小塊（256 * 256）來構造訓練集。是否有任何針對此修補程序採樣過程推薦的策略？當然，隨機抽樣是一個簡單的方法。在此，標有黃色前景類別的區域通常佔整個圖像區域整個圖像區域的25％。它傾向於反映不平衡的數據集。用於訓練完全卷積神經網絡的子補丁生成機制

來源

2017-06-14 user288609

爲什麼要打補丁？爲什麼不用整個圖像和丟失的樣本像素？ – Shai

只有300個圖像對，代表訓練FCN的數據集太小。 – user288609

如果訓練完全卷積架構，假設800x800輸入和25x25輸出（經過五2x2池層，25=800/2^5）。嘗試直接構建25x25輸出並直接在它們上訓練。您可以在「正面」標籤的損失函數中添加更高的權重，以使它們與「負面」標籤平衡。

我絕對不建議採樣，因爲這將是一個昂貴的過程，並不是真正的完全卷積。

來源

2017-06-14 20:14:12 MZHm

嗨MZhm，你是什麼意思直接在25 * 25輸出培訓？如果我們不使用抽樣過程，那麼我們只有300個圖像對，是一個訓練深度學習模型的數據集太小了嗎？此外，對於基於FCN的語義分割，輸出應該與輸入大小相同。 – user288609

對於向上採樣回原始圖像大小，我建議您閱讀關於'tf.nn.conv2d_transpose'。對於抽樣來說，在完整圖像上進行訓練是沒有好處的。（請記住，輸出不是單個預測，它是上面示例中的25x25預測的空間網格） – MZHm

至於300是否足夠的問題......只有一種方法可以檢查 - 訓練和測試它 – MZHm

用於訓練完全卷積神經網絡的子補丁生成機制

回答

相關問題