Python 在图像上跨越二维模型以生成标签图像（不是卷积）_Python_Tensorflow_Machine Learning_Neural Network

Python 在图像上跨越二维模型以生成标签图像（不是卷积）

python tensorflow machine-learning neural-network

Python 在图像上跨越二维模型以生成标签图像（不是卷积）,python,tensorflow,machine-learning,neural-network,Python,Tensorflow,Machine Learning,Neural Network,我有一个从RGB图像样本中训练出来的模型，它以31x31像素区域作为输入，并为中心像素生成一个分类我希望将此模型应用于整个图像，以便有效地恢复每个像素的新分类图像。因为这不是卷积，我不确定在TensorFlow中做这件事的首选方法是什么我知道这是可能的，通过将图像分解成一吨更小的张量进行推断，但这似乎是一个巨大的浪费，因为每个像素将被复制961次。有办法解决这个问题吗使您的模型成为一个完全卷积的神经网络，因此对于31x31图像，它将生成一个单标签，对于62x62图像，它将生成2x2标签，依

我有一个从RGB图像样本中训练出来的模型，它以31x31像素区域作为输入，并为中心像素生成一个分类

我希望将此模型应用于整个图像，以便有效地恢复每个像素的新分类图像。因为这不是卷积，我不确定在TensorFlow中做这件事的首选方法是什么

我知道这是可能的，通过将图像分解成一吨更小的张量进行推断，但这似乎是一个巨大的浪费，因为每个像素将被复制961次。有办法解决这个问题吗

使您的模型成为一个

完全卷积的

神经网络，因此对于

31x31

图像，它将生成一个

单标签

，对于

62x62

图像，它将生成

2x2

标签，依此类推。这将删除您在窗口方法中提到的冗余计算

如果网络有一个完全连接的层，可以使用

1x1

内核将其替换为卷积层。

等等什么？为什么有人真的读过这个问题？我想你是说32x32图像通过31x31窗口获得2x2输出。