Python 分段到一个热编码

我有一批大小不同的分割图像

seg

-->

[批次、频道、imsize、imgsize]

-->

[16,6,50,50]

该张量中的每个标量指定一个分段类。 我们有

2000个

total segmentation类

现在的目标是转化

[16,6,50,50]

-->

[16,2000,50,50]

其中每个类都以一种热门方式编码

我如何使用pytorch api？ 我只能想到效率低得可笑的循环构造

范例

在这里，我们只有2个初始通道（而不是6个）、4个标签（而不是2000个）、1号批次（而不是16个）和4x4图像（而不是50x50个）

0, 0, 1, 1
0, 0, 0, 1
1, 1, 1, 1
1, 1, 1, 1

3, 3, 2, 2
3, 3, 2, 2
3, 3, 2, 2
3, 3, 2, 2

现在变成4通道输出

1, 1, 0, 0
1, 1, 1, 0
0, 0, 0, 0
0, 0, 0, 0

0, 0, 1, 1
0, 0, 0, 1
1, 1, 1, 1
1, 1, 1, 1

1, 1, 0, 0
1, 1, 0, 0
1, 1, 0, 0
1, 1, 0, 0

0, 0, 1, 1
0, 0, 1, 1
0, 0, 1, 1
0, 0, 1, 1

---

关键的观察结果是，一个特定的标签只出现在一个输入通道上。

我认为您可以轻松实现这一点。构造尽可能多的遮罩，然后将这些遮罩堆叠在一起，在通道层上求和并转换为浮点数：

>>> x
tensor([[[0, 0, 1, 1],
         [0, 0, 0, 1],
         [1, 1, 1, 1],
         [1, 1, 1, 1]],

        [[3, 3, 2, 2],
         [3, 3, 2, 2],
         [3, 3, 2, 2],
         [3, 3, 2, 2]]])

>>> y = torch.stack([x==i for i in range(x.max()+1)], dim=1).sum(dim=2)
tensor([[[1., 1., 0., 0.],
         [1., 1., 1., 0.],
         [0., 0., 0., 0.],
         [0., 0., 0., 0.]],

        [[0., 0., 1., 1.],
         [0., 0., 0., 1.],
         [1., 1., 1., 1.],
         [1., 1., 1., 1.]],

        [[0., 0., 1., 1.],
         [0., 0., 1., 1.],
         [0., 0., 1., 1.],
         [0., 0., 1., 1.]],

        [[1., 1., 0., 0.],
         [1., 1., 0., 0.],
         [1., 1., 0., 0.],
         [1., 1., 0., 0.]]])

---

6

代表什么？您的目标是将16个6通道50x50图像转换为16个2000通道50x50图像。您将从15000点/张图片增加到5000000点/张图片。你确定这就是你要找的吗？@Ivan 6只是一些标签从0到2000的频道。这不是那么重要的细节。。。在通道0上只能显示标签子集，在通道1上可以显示另一个标签子集，等等。因此通道0将图像分割到对应于对象的标签上，通道1将图像分割到对应于零件的标签上，等等。现在，由于总共有2000个标签，一个热编码需要2000 x imgsize x imgsize。它有意义吗？在一个给定的通道上，比如说通道=0，你怎么知道它对应于哪个标签？我不清楚你会如何将一个6通道图像转换成同样大小的2000通道图像。@Ivan它将由一个标签号给出。。。假设通道0有标签10和一些其他标签。现在[：，10，：，：]将在同一位置上有1，在其他位置有10和0。它能使你快乐吗sense@Ivan当然，完成了！这就是我在torch中得到的。大小（[16,6,50,50]）在torch中得到的。大小（[2000,6,50,50]）因此有些不对劲…显然没有考虑批处理维度，至少是这样。另一个问题--它仍然使用循环而不是pytorch API…如果处理大数据，速度太慢了。现在应该解决这个问题，这是一个在正确轴上叠加/求和的问题。你必须意识到这不是一项直接的任务，你正在试图从多个通道中解开不确定数量的标签。。。仅使用张量可能无法实现这一点。