Python TensorFlow：如何处理图像分割中的空白标记数据？

我想知道如何在使用TensorFlow进行图像分割时处理图像中未标记的部分。例如，我的输入是高度*宽度*通道的图像。标签的大小太高*太宽，每个像素有一个标签

图像的某些部分已注释，其他部分未注释。我希望这些部分对梯度计算没有任何影响。此外，我对网络预测这种“无效”标签不感兴趣

---

这有标签或函数吗？目前，我正在使用

tf.nn.sparse\u softmax\u cross\u entropy\u with\u logits

如果我理解正确，您对每个带有标签空白的图像都有一部分不感兴趣。既然没有一种简单的方法可以获得这个空白点后面的真实值，为什么不将这些点映射到背景标签，并尝试获得模型的结果呢？我将尝试在预处理状态下清除此空标签中的数据标签，并用背景标签替换它们

另一种可能的策略是，如果您不想简单地将空白标签映射到背景，则可以运行一个遮罩（从上到下从右到左连续移动）来检查空白像素中的相邻像素（例如5x5像素的区域），并为空白像素指定除空白外最常见的标签

---

此外，您还可以始终保留更好的数据子集，过滤空标签百分比超过阈值的数据。您可以只保留没有空白标签的图像，或者更可能的是，您可以保留只有低于阈值（例如5%）的未标记点的图像。在这些图像中，您可以实现前面提到的替换无效标签的策略

我对TF不是100%熟悉。但是，您是否考虑过使用损失的

权重
参数？

查看它有一个参数
weights

权重：损失系数。这必须是标量或与标签具有相同的等级

您可以将“void”像素的
权重设置为零，从而使损失忽略它们

您还可以使用_logits
从
tf.nn.sparse\u softmax\u cross\u entropy\u中删除减少值，并用于执行加权。
反问：您如何知道哪些部分的标签不正确？或者，您的网络如何知道哪些部分的标签不正确？请查看此数据集，例如：图像的像素标记为“void”，甚至是背景数据。我就是这样知道的。网络如何知道这一点几乎是我的问题。好吧，这并不是说图像的某些部分没有正确注释，只是它们被注释了一些应该忽略的指示？你所谓的“可能无效数据”可能是一种需要半监督学习的情况，并且有多种方法可以让它工作，以及用Tensorflow实现一个实现。你的问题太广泛了，从表面上看，甚至与软件开发无关。考虑对半监督学习任务做更多的研究，因为目前不能有一个规范的答案适合堆栈溢出的答案。理想情况下，你会使用像素的“信息增益”损失（这是一个泛化的“交叉熵”损失）我已经尝试了你的第一个建议。我已将所有空数据标记为0，不幸的是，网络随后会对非空区域进行0标记预测。我想这是因为我的数据的性质。这就是为什么我希望有一个像caffe一样的空白标签。网络总是会对像素进行错误分类，即使在训练数据中也不可能有完美的准确性。您替换了多少像素，图像中有多少百分比的图像有空标签？也许您应该过滤所有带有无效标签的图像，并运行您的模型，以查看您的代码是否存在其他问题，而不是带有无效标签的图像。仅供参考，对于您的非稀疏需求，还存在引用