带有 keras 的 Deep Net 用于图像分割答案

【问题标题】：Deep Net with keras for image segmentation带有 keras 的 Deep Net 用于图像分割
【发布时间】：2017-06-22 10:13:20
【问题描述】：

我对深度学习很陌生；我想在大小为 (256, 256, 3) 的图像块上训练一个网络，以预测像素级分割的三个标签。首先，我想提供一个卷积层：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))

到目前为止的模型输出是一个具有 32 个通道的图像。现在，我想添加一个密集层，将所有这 32 个通道合并为三个通道，每个通道预测一个像素的类别概率。

我该怎么做？

【问题讨论】：

你的 y 的格式是什么？它们有什么形状？
(256,256);每个像素都有一个标签分配

标签： keras image-segmentation

【解决方案1】：

将 32 个通道合并回 3 个通道的最简单方法是添加另一个卷积，这次使用三个过滤器（我将过滤器大小任意设置为 1x1）：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
model.add(Convolution2d(3, 1, 1))

然后最后添加一个激活函数进行分割

model.add(Activation("tanh"))

如果你想用activation参数（任意选择为tanh），你也可以一次全部添加

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
model.add(Convolution2d(3, 1, 1,activation="tanh"))

https://keras.io/layers/convolutional/

【讨论】：

【解决方案2】：

你必须在卷积层和密集层之间使用 flatten：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
# Do not forget to add an activation layer after your convolution layer, so here.

model.add(Flatten())

model.add(Dense(3))
model.add(Activation("sigmoid")) # whatever activation you want.

【讨论】：