图像分割结果中的噪声答案

【问题标题】：noise in image segmentation result图像分割结果中的噪声
【发布时间】：2018-09-08 07:52:03
【问题描述】：

我正在做一个基于深度卷积神经网络的图像分割任务。网络结构来自this paper，结构见图：FCN used in image segmentation。网络基于Fully Convolutional Network和DCAN设计。

该数据集是MICCAI 2015腺体分割挑战赛的公共基准数据集（也称为Warwick-QU数据集。）

我使用这个网络来完成分割任务。然而在我的结果中，我总是注意到一个固定的噪声模式：预测图像中的小白点：Prediction results with crossing shape noise

谁能解释一下这些噪声像素是什么意思？它们是图像处理中的常见噪声吗？值得注意的是，这种现象并不仅仅出现在特定的图像中，而是出现在整个预测中。

【问题讨论】：

我以前也遇到过这种情况，但一直没有找到满意的解释。请问您使用的是什么成本函数？
感谢您的回复。我正在使用categorical_crossentropy。您是否也在 MICCAI 2015 数据集上进行图像分割？
你好，Ash，我找到了诀窍。这些交叉形状的噪声是由我的网络中的反卷积层引起的。假设我们有一个 32x32 的特征图，我们想要得到大小为 256x256 的特征图，所以我们必须使用步长为 8x8 进行反卷积，因此特征图中添加了很多零像素，这就是这些交叉形状出现的原因。为了解决这个问题，我们必须将内核大小扩大两倍。在上面的例子中，我们需要选择一个 16x16 内核，这样我们的过滤器就不会落入那些零。
仅供参考，反卷积的操作如下图所示：deconvolution
感谢这个通知 Ash，我已经更新了我的答案。

标签： python image-processing computer-vision deep-learning image-segmentation

【解决方案1】：

这些交叉形状的噪声是由我的网络中的反卷积层引起的，可以通过改变反卷积层的内核大小来解决。

首先我们应该了解反卷积层是如何工作的。可以在here 找到清晰的插图。我们需要记住的是，反卷积中的stride有助于放大特征图的大小。

回到这个例子。假设我们有一个32x32的特征图，我们想要得到尺寸为256x256的特征图，所以我们必须使用步幅为8x8 进行反卷积，因此特征图中添加了很多零像素，这就是这些交叉形状出现的原因。为了解决这个问题，我们必须将内核大小扩大两倍。在上面的例子中，我们需要选择一个 16x16 内核，这样我们的过滤器就不会落入那些零点。

结果图片可以在这里显示：result
我们可以清楚地看到，与问题中的图片相比，交叉形状的噪声被去除了。

【讨论】：