Neural network 如何微调FCN-32s进行交互式对象分割
我试图在CVPR论文()中实现提议的模型,其中数据集包含每个输入样本的5个通道: 1.红色 2.蓝色 3.绿色 4.与正点击相关的欧几里德距离图 5.与负面点击相关的欧几里德距离图(如下所示): 为此,我应该使用“对象二进制掩码”作为标签对FCN-32s网络进行微调: 如您所见,在第一个conv层中,我有两个额外通道,因此我进行了净手术,为前3个通道使用预训练参数,为2个额外通道使用Xavier初始化 对于FCN体系结构的其余部分,我有以下问题:Neural network 如何微调FCN-32s进行交互式对象分割,neural-network,deep-learning,caffe,image-segmentation,conv-neural-network,Neural Network,Deep Learning,Caffe,Image Segmentation,Conv Neural Network,我试图在CVPR论文()中实现提议的模型,其中数据集包含每个输入样本的5个通道: 1.红色 2.蓝色 3.绿色 4.与正点击相关的欧几里德距离图 5.与负面点击相关的欧几里德距离图(如下所示): 为此,我应该使用“对象二进制掩码”作为标签对FCN-32s网络进行微调: 如您所见,在第一个conv层中,我有两个额外通道,因此我进行了净手术,为前3个通道使用预训练参数,为2个额外通道使用Xavier初始化 对于FCN体系结构的其余部分,我有以下问题: 我是否应该冻结“fc6”之前的所有层(第
我使用欧几里德损失,而我使用“1”作为“score\u fr”和“upscore”层的输出数。如果我用2,我想应该是softmax 我可以回答你的一些问题
num\u输出更改为2并微调。你应该得到一个好的输出
感谢您的重播,目前我使用的是欧几里德损失,因此我认为我的分数层应该只有一个输出(网络预测,这是我损失层的第一个输入),经过一些训练迭代后,我检查了结果,似乎网络将了解我的预期。但损失函数有点压倒性。据我所知,这是小批量所有样本的归一化欧几里德距离。由于我不能使用大于8的批处理大小,因此很自然会出现严重的损失不稳定性。您应该使用softmax损失。它旨在用于分类问题,但分割不是真正的像素级分类在这种情况下,我是否应该使用两个标签,一个用于对象,另一个与第一个标签相反用于背景?无需。Softmax loss应该会自动为您做到这一点。看看FCN培训网。他们使用的是softmax损耗层。是的,我以前见过,但我想我可能需要另一个损耗层,非常感谢。