Computer vision 我在训练语义分割模型时得到的预测数据

我试着用一些现有的语义分割代码对超声神经数据集进行实验

实现基于

在训练过程中，我可以捕捉每个历元的验证图。在下图中，左边是原始图像，中间是地面真相，右边是预测的（或概率图）

如下图所示，我们可以看到，对epoch0的预测完全是黑色的，然后在我看来，它开始捕捉原始图像的一些分布，然后它再次变为黑色

我只是想知道如何解释基于这些情节的训练过程，为什么经过几个训练时期后，它会回到第一个时期的结果

此外，在训练过程中，为什么预测结果倾向于再现原始图像的分布

是否可以从这些培训观察中得出一些见解

我通常按照以下步骤生成训练集。（我在本教程中使用了与创建列车数据相同的功能。 唯一的区别是我添加了一个背景通道，以使遮罩图像具有形状

（1，image\u row，image\u col，2）

加载上面生成的

npy

文件后，我对训练集的原始图像进行规范化

imgs_train = np.load(os.path.join(train_data_path,"imgs_train.npy"))
imgs_mask_train =   np.load(os.path.join(train_data_path,"imgs_mask_train.npy"))

imgs_train = imgs_train.astype('float32')
mean = np.mean(imgs_train)  # mean for data centering
std = np.std(imgs_train)  # std for data normalization
imgs_train -= mean
imgs_train /= std

我按照这个来训练模型。除了这个，我没有改变任何东西

self.learning_rate_node = tf.train.exponential_decay(learning_rate=learning_rate, 
                                                        global_step=global_step, 
                                                        decay_steps=training_iters,  
                                                    decay_rate=decay_rate, 
                                                    staircase=True)

我把它改成

global_step = global_step*self.batch_size

第0纪元 纪元4 纪元12 纪元16

---

降低你的学习率

base\u lr

。这似乎是你的训练偏离了方向。你是否使用了任何形式的正则化？这可能是因为梯度极大地修改了权重，尝试对权重规范使用约束。如果不看你的模型定义，很难回答。但我想说，这是错误的导致模型发散的数据类型或值范围。您的所有数据（掩码、输入）是否都在0和1之间？亲爱的，谢谢您的回复。我已经更新了原始帖子。什么是背景频道？为什么要添加它？它是全黑的吗？如果您删除它，它会工作吗？

global_step = global_step*self.batch_size