Python B二值像素级分割算法_Python_Deep Learning_Pytorch

Python B二值像素级分割算法

python deep-learning pytorch

Python B二值像素级分割算法,python,deep-learning,pytorch,Python,Deep Learning,Pytorch,我正在使用Sigmoid和BCELoss实现一个用于二进制分割的UNet。问题是，经过多次迭代后，网络试图预测每像素非常小的值，而对于某些区域，它应该预测接近1的值（对于地面真值遮罩区域）。它对错误的行为有什么直觉吗此外，存在用于像素级损耗的NLLLoss2d。目前，我只是忽略了这一点，直接使用MSELoss（）。我应该使用带有Sigmoid激活层的NLLLOS2D吗谢谢在我看来，你的乙状结肠正在使激活图饱和。图像未正确归一化，或者缺少一些批量归一化层。如果您有一个正在处理其他图像的实现，请

我正在使用Sigmoid和BCELoss实现一个用于二进制分割的UNet。问题是，经过多次迭代后，网络试图预测每像素非常小的值，而对于某些区域，它应该预测接近1的值（对于地面真值遮罩区域）。它对错误的行为有什么直觉吗

此外，存在用于像素级损耗的NLLLoss2d。目前，我只是忽略了这一点，直接使用MSELoss（）。我应该使用带有Sigmoid激活层的NLLLOS2D吗

谢谢

在我看来，你的乙状结肠正在使激活图饱和。图像未正确归一化，或者缺少一些批量归一化层。如果您有一个正在处理其他图像的实现，请检查图像加载程序，确保它不会使像素值饱和。这通常发生在16位通道上。你能分享一些输入图像吗

PS很抱歉在回答中评论。这是一个新帐户，我还不允许发表评论。

您可能希望使用

torch.nn.BCEWithLogitsLoss（）

，替换Sigmoid和BCELoss函数

中的一个摘录告诉您为什么使用此损失函数实现总是更好

这种损失将乙状结肠层和BCELoss合并在一个类中。该版本的数值稳定性比使用简单的Sigmoid和BCELoss更高，因为通过将操作组合到一个层中，我们利用log sum exp技巧实现数值稳定性

您可能希望使用

torch.nn.BCEWithLogitsLoss（）

，替换Sigmoid和BCELoss函数

中的一个摘录告诉您为什么使用此损失函数实现总是更好

谢谢你的回复。嗯，我在我的网络中使用了batchNormalization after，所有层都使用RELU，除了最后一层是Sigmoid。你所说的“饱和像素值”到底是什么意思。在这种情况下，检查输出激活图对于Sigmoid是否过高或过低。有效范围在±sqrt（3）之间。2.关于：“饱和像素值”，pytorch中的PIL加载程序将16位图像的所有像素设置为1。我建议编写一个小函数来打印像素值，并将其用作lambda变换。在此函数中，您将在第一个参数中获得加载的图像，以检查是否加载了正确的值。3.你的标准化参数是什么？谢谢你的回复。嗯，我在我的网络中使用了batchNormalization after，所有层都使用RELU，除了最后一层是Sigmoid。你所说的“饱和像素值”到底是什么意思。在这种情况下，检查输出激活图对于Sigmoid是否过高或过低。有效范围在±sqrt（3）之间。2.关于：“饱和像素值”，pytorch中的PIL加载程序将16位图像的所有像素设置为1。我建议编写一个小函数来打印像素值，并将其用作lambda变换。在此函数中，您将在第一个参数中获得加载的图像，以检查是否加载了正确的值。3.你的标准化参数是什么？