我NiftyNet用来做一些细分项目。对于部分中的Label_normalization选项Segmentation，据我了解，它将标签转换为“0,1，...”，对吗？我可能错了。所以我的问题是：
这对我的培训过程有何影响？如果我的两个标签是“0,1”或“0,10”，有区别吗？
我看到这个标签归一化层只适用于标签图像，所以我想一旦模型训练好，它绝不会影响我的推理结果。但事实上我得到了不同的结果Label_normazation。这是为什么？
如果您能帮助我解决这些问题，我将不胜感激！
该label_normalisation层是为离散分割图的“ground truth”输入量设计的元素转换。它主要用于在训练期间有效地计算分割损失。
两个可能的用例可能是，例如，1）我们可以将 {0,1,2,3,4} 的 5 类分割标签映射到 {0,0,1,1,1}，因此可以轻松创建二进制分割任务; 2) 对于 200 类分割问题，我们可以创建一个稀疏矩阵来表示分割图（在标签归一化之后），而不是使用HxWxDx200体素消耗内存的二进制图。
但是在第一种情况下，当用于训练的映射函数丢失时，我们无法恢复原始标签空间。目前，输出在推理时留在映射空间中。