掩码和图像在 UNET 中如何相互配合？答案

【问题标题】：How does masks and images work with each other in UNET?掩码和图像在 UNET 中如何相互配合？
【发布时间】：2021-05-13 00:59:45
【问题描述】：

假设我们有 1000 张图像及其对应的掩码。如果我错了，请纠正我，如果我们使用 UNET，那么它将通过许多不同的卷积层、relu、池化等。它将根据相应的掩码学习图像的特征。它将为对象提供标签，然后学习我们在其训练中传递的图像的特征。它将图像对象与其对应的掩码匹配，只学习对象特征而不学习不必要的对象特征。就像我们通过猫的图像，它的背景充满了一些不必要的障碍物（箱子、桌子、椅子等）根据猫的面具，它只会学习猫的特征。如果我错了，请详细说明您的答案？

【问题讨论】：

是的。 U-Net 是一种基于学习的神经分割算法，你需要一个标记的训练集来完成这项工作。它为输入图像中的每个像素预测正确的类标签。它是一个基于学习的系统，并根据您所教的内容进行细分！此外，您甚至可能不需要 1000 张图像。 UNET 在训练期间使用增强。这允许从非常少的示例中学习，因为这些示例的许多变体在训练期间呈现给网络
我投票结束这个问题，因为我在这里没有看到一行代码。

标签： machine-learning deep-learning artificial-intelligence autoencoder unity3d-unet

【解决方案1】：

是的，你是对的。

然而，不仅UNET每个分割算法的工作方式都相同，它会学习检测被掩盖的特征并忽略不必要的对象（如您所述）。

顺便说一句，对于现实世界中的物体（如椅子、桌子、猫、汽车等）。

【讨论】：

【解决方案2】：

所以这里有一个简短的解释（但不限于）。 1- 所有的分割网络或者说任务（更笼统的说法），使用实际图像和地面实况（你的掩码）来学习分类任务。

真的是像逻辑回归或决策树这样的分类任务吗？（那为什么要这么复杂的名字）。

Ans：很酷，本质上是的，您的网络正在学习分类。但这与您的决策树或物流有点不同。

因此，像 UNET 这样的网络试图学习如何对图像中的每个像素进行分类。这种学习是完全有监督的，因为你有一个基本事实（掩码），它告诉网络图像中的像素属于哪个类别。因此，当您进行训练时，会调整网络权重（所有卷积层的权重和等等等等），以便它学会将图像中的每个像素分类到相应的类别。

【讨论】：