Deep learning 二值交叉熵损失用于图像分割

我在Keras中使用CNN（U-Net）来分割一幅8位图像，得到一个二值掩模。尽管达到了0.9999的精度，我仍然得到一些介于0和255之间的值，但我希望完全删除这些值，使其只有0或255。到目前为止，我一直在使用二元交叉熵损失函数，结合最后一个卷积层的sigmoid激活函数。有人能告诉我是否有其他损失函数可以解决这个问题吗

最好使用0-1之间的值

---

NN在0-255时要获得好的结果要困难得多，这样二进制交叉熵的效果会更好

您可以设置阈值，只获得您想要的两个值。例如：

y = model.predict(input_image) # your result image
y = 255 * (y > 128)

---

你能再解释一下你的网速吗？输出的形状是什么？你们的标签是什么？你的二进制掩码有标签吗，哪一个看起来不是你当前的输出？我对这一点感到非常困惑，因为他说他已经使用了sigmoid激活函数，它可以产生0到1之间的输出。你的输出将在0到1之间，但是你的输入将保持在0到255之间，这在图像识别和这类领域会产生很多问题。如果不进行规范化，节点上会有一个很大的值，只有在最后它才会变成0或1，因此模型很难产生真正的结果，但输出似乎在0到255之间，如果他使用sigmoid，这是没有意义的。关于标准化，您是对的（类似于等频率装箱可能会更好）我的输入图像像素值对于背景来说确实是0，对于感兴趣的信号来说是255，但在加载训练数据之前，我将所有像素值除以255。我考虑过这一点，但我只是想知道是否还有其他选择。谢谢您可以使用dice loss，它可以生成几乎完全相同的二进制图像或阈值，正如在本工作中所观察到的（）