Deep learning 两类分割的输出矩阵应该是什么？

我正在努力实现这篇论文。任务是使用唯一的点注释进行细胞核分割。该遮罩具有分配给原子核质心的正像素，以及分配给Voronoi边界的负像素

在该方案中，正标签被赋予与点注释相对应的像素，而负标签被赋予Voronoi边界上的像素，这些像素可以通过使用 点注释

此外，从网络中确定正像素的阈值为0.5

从f（I）确定正像素的阈值为0.5

那么，网络和掩码（标签）矩阵的输出是什么样的呢

我想：

输出：（宽度，高度，1），如果值大于0.5，则为正像素（质心），否则为负值（边界）

遮罩：（宽度，高度，1），我在这里很困惑，因为这里实际上有3个类别，背景，正片，负片，但它没有给背景指定标签

然后，在标签和相应的像素输出上计算和平均二进制交叉熵损失

或者这两个矩阵应该是两个通道？一个通道用于正面标签，一个通道用于负面标签

如果是这样，为什么我们需要门槛？这是否意味着，如果一个像素的值大于0.5，那么它在第一通道、第二通道中分别被视为正像素或负像素？而不是值>0.5为正类，否则为负类

我不熟悉分割，所以有些定义不清楚