Machine learning 多掩模U-Net图像分割_Machine Learning_Conv Neural Network_Image Segmentation

Machine learning 多掩模U-Net图像分割

machine-learning

Machine learning 多掩模U-Net图像分割,machine-learning,conv-neural-network,image-segmentation,Machine Learning,Conv Neural Network,Image Segmentation,我基本上有一个图像分割问题，即图像数据集和为每个图像创建的多个遮罩，其中每个遮罩对应于图像中的单个对象。所有对象的类型相同，但对象的数量可能不同。我正试图用这些数据训练一个U型网络我可以简单地将所有单独的掩码组合成一个新的掩码，并将其作为输出输入网络，但我觉得在组合掩码的过程中，与“单独识别对象”相关的有用信息可能会以某种方式丢失我是否应该，是否有任何方法，利用这些额外的信息？例如，使网络输出可变数量的掩码，而不是单个掩码（如果可能的话）。这会提高网络的性能吗？我正在处理与您相同的问题，因此

我基本上有一个图像分割问题，即图像数据集和为每个图像创建的多个遮罩，其中每个遮罩对应于图像中的单个对象。所有对象的类型相同，但对象的数量可能不同。我正试图用这些数据训练一个U型网络

我可以简单地将所有单独的掩码组合成一个新的掩码，并将其作为输出输入网络，但我觉得在组合掩码的过程中，与“单独识别对象”相关的有用信息可能会以某种方式丢失

我是否应该，是否有任何方法，利用这些额外的信息？例如，使网络输出可变数量的掩码，而不是单个掩码（如果可能的话）。这会提高网络的性能吗？

我正在处理与您相同的问题，因此我不知道所有的答案，但是如果您想拆分您的掩码，您可以对它们进行热编码

from keras.utils import to_categorical
masks_one_hot = to_categorical(masks, num_classes=numMasks)

这会将包含多个对象的图像拆分为5个类，因此我的输出向量为：

(numChannels, IMG_WIDTH, IMG_HEIGHT, numMasks)

它可能会提高性能，这取决于您使用的目标函数-对于这种情况，我认为分类交叉熵是合适的