基于keras的deepnet图像分割

我对深度学习还很陌生；我想在大小为（256、256、3）的图像块上训练一个网络，以预测像素级分割的三个标签。首先，我想提供一个卷积层：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))

到目前为止，模型输出是一个具有32个通道的图像。现在，我想添加一个密集层，它将所有这32个通道合并成三个通道，每个通道预测一个像素类的概率

---

如何才能做到这一点？

将32个通道合并回3个通道的最简单方法是添加另一个卷积，这次使用三个滤波器（我任意将滤波器大小设置为1x1）：

然后最后添加一个用于分段的激活函数

model.add(Activation("tanh"))

或者，如果希望使用激活参数（任意选择为tanh），可以一次添加所有参数

---

必须在卷积层和密集层之间使用展平：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
# Do not forget to add an activation layer after your convolution layer, so here.

model.add(Flatten())

model.add(Dense(3))
model.add(Activation("sigmoid")) # whatever activation you want.

---

你的y的格式是什么？它们有什么形状？（256256）；每个像素都有一个标签分配

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
model.add(Convolution2d(3, 1, 1,activation="tanh"))

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
# Do not forget to add an activation layer after your convolution layer, so here.

model.add(Flatten())

model.add(Dense(3))
model.add(Activation("sigmoid")) # whatever activation you want.