用于训练完全卷积神经网络的子补丁生成机制

-2

我有一个图像集，包含300个图像对，即原始图像和蒙版图像。典型的蒙版图像如下所示。每张图片的大小为800 * 800。我试图为这个图像集训练完全卷积神经网络模型来执行语义分割。我试图从原始图像中生成小块（256 * 256）来构造训练集。是否有任何针对此修补程序采样过程推荐的策略？当然，随机抽样是一个简单的方法。在此，标有黄色前景类别的区域通常占整个图像区域整个图像区域的25％。它倾向于反映不平衡的数据集。用于训练完全卷积神经网络的子补丁生成机制

来源

2017-06-14 user288609

为什么要打补丁？为什么不用整个图像和丢失的样本像素？ – Shai

只有300个图像对，代表训练FCN的数据集太小。 – user288609

如果训练完全卷积架构，假设800x800输入和25x25输出（经过五2x2池层，25=800/2^5）。尝试直接构建25x25输出并直接在它们上训练。您可以在“正面”标签的损失函数中添加更高的权重，以使它们与“负面”标签平衡。

我绝对不建议采样，因为这将是一个昂贵的过程，并不是真正的完全卷积。

来源

2017-06-14 20:14:12 MZHm

嗨MZhm，你是什么意思直接在25 * 25输出培训？如果我们不使用抽样过程，那么我们只有300个图像对，是一个训练深度学习模型的数据集太小了吗？此外，对于基于FCN的语义分割，输出应该与输入大小相同。 – user288609

对于向上采样回原始图像大小，我建议您阅读关于'tf.nn.conv2d_transpose'。对于抽样来说，在完整图像上进行训练是没有好处的。（请记住，输出不是单个预测，它是上面示例中的25x25预测的空间网格） – MZHm

至于300是否足够的问题......只有一种方法可以检查 - 训练和测试它 – MZHm

用于训练完全卷积神经网络的子补丁生成机制

回答

相关问题