Tensorflow 基于交叉熵的像素级softmax多类分割

我试图用2实现一个多类语义分割模型 课程（人、车）。这是我对unet体系结构的改进实现。I输出通道数为3（3类-人、车、背景）。如何获得像素级分类？ 这里有两个来自我的地面真相面具的例子

我为每个对象类使用1个通道

• 等级=汽车的通道1
• 类别=背景的通道2
• 类的通道3=人

---

您几乎完成了，现在使用以下命令反向传播网络错误：

loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=output_layer, labels=labels))   
tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss) 

---

您不必将基本事实转换为一个热门格式，sparse_softmax将为您添加点。

我将GT遮罩重塑为（img_h*img_w，nclasses）以匹配模型的输出尺寸。我用分类交叉熵训练，但模型似乎不收敛。传统的“准确度”指标是否是一个好的监测指标？单独的准确度不能很好地衡量模型是否收敛。如果您想检查您的模型是否运行良好，我建议只使用一个批量大小为1的train映像来训练您的网络。然后检查您的模型是否可以识别标签。是否可以不使用tf.reduce_mean函数将错误反向传播到特定激活？i、 e.像素丢失？

loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=output_layer, labels=labels))   
tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)