Deep learning 二值图像分割中的误报处理

我正在制作一个模型，用卫星图像识别水体。我对示例进行了一些修改，使用了我标记的一组约600幅图像，对于真正的正片效果非常好-它为图像瓷砖生成了一个精确的遮罩，其中有水。然而，它也会产生一些误报，为没有水的瓷砖生成遮罩——例如，包含田地、建筑物或停车场的瓷砖。我不确定如何向模型提供此类负面反馈-使用空掩码向训练集添加假阳性图像没有效果，我尝试了一个仅由假阳性组成的训练集，它只会产生随机噪声，使我认为空掩码对这个特定网络没有影响

我还尝试从我发现的将瓷砖分类为water/notwater的两个示例中训练一个二进制分类网络。它的工作精度似乎不足以使用一次通过过滤器，每类大约有5千张图像。我使用OSM label maker来实现这一点，图像集并不完美——在非水图像集中有一些水图像，反之亦然，但即使是训练集也没有获得很好的准确性（最多0.85）

有没有一种方法可以为二值图像分割模型提供负反馈？我应该使用更大的训练集吗？我有点被困在这里，没有能力提供负面反馈，如果有任何关于如何处理的建议，我将不胜感激

---

谢谢

您的600图像训练集可能不够大，无法训练足够的分类器。如果你能做到的话，我会尝试增加它或者给更多的图片贴标签。遗憾的是，对于大多数深度学习应用程序来说，600个样本是不够的。