2

我正在尝试在 Keras 中进行多类语义分割。现在我正在使用 Unet 架构，并且有一个与此类似的模型（但更深）：

inputs = Input(shape=(512,512,3))
# 128

down1 = Conv2D(32, (3, 3), activation='relu', padding='same')(inputs)
down1 = BatchNormalization()(down1)
down1 = Dropout(0.1)(down1)
down1 = Conv2D(32, (3, 3), padding='same', activation='relu')(down1)
down1 = BatchNormalization()(down1)
down1_pool = MaxPooling2D((2, 2))(down1)

center = Conv2D(64, (3, 3), padding='same', activation='relu')(down1_pool)
center = BatchNormalization()(center)
center = Dropout(0.1)(center)
center = Conv2D(64, (3, 3), padding='same', activation='relu')(center)
center = BatchNormalization()(center)
# center
up1 = concatenate([Conv2DTranspose(32, (2, 2), strides=(2, 2), padding='same')(center), down1], axis=3)
up1 = Conv2D(32, (3, 3), padding='same', activation='relu')(up1)
up1 = BatchNormalization()(up1)
up1 = Dropout(0.1)(up1)
up1 = Conv2D(32, (3, 3), padding='same', activation='relu')(up1)
up1 = BatchNormalization()(up1)
# 128

classify = Conv2D(3, (1, 1), activation='softmax')(up1)

model = Model(inputs=inputs, outputs=classify]
model.compile(optimizer=Adam(lr=lr), loss='categorical_crossentropy, metrics=[losses.dice_coeff])

我的数据集由 680k 个图像（512、512、3）和 680k 个相应的标签组成。标签是 one-hot 编码的并且具有形状 (512, 512, 3) 即 3 个类别。

然后我的问题是：这是设置我的模型的正确方法吗？还是我应该使用“sigmoid”激活和“binary_crossentropy”？

4

2 回答 2

1

如果您的标签是二进制的，则使用 sigmoid 激活，如果它是通过一个热代码（即您实现的方式）以其他方式进行，则应该使用 softmax 作为激活

于 2018-03-29T07:12:43.283 回答
0

我也有同样的问题。我没有找到使我的模型收敛的损失函数。所以我为每个标签使用了 3 个单独的模型。使用骰子损失函数，我对每个标签都有很好的结果。现在我正在检查联合所有 3 个模型预测的方法。在您的模型中，softmax 是正确的激活，并且二进制和分类交叉熵是相同的，因为您的数据是二进制的。

于 2018-07-20T16:25:43.170 回答