【发布时间】：2020-10-15 22:30:34
【问题描述】：
我正在训练一个 U-Net 架构来执行分割任务。这是在 Python 中使用 Keras。我现在遇到了一个问题，我正在努力理解：
我有两张来自显微镜图像系列的非常相似的图像（这些是连续图像），其中我当前的 U-Net 模型在一张上表现非常好，但在紧随其后的一张上表现极差。但是，两者在眼睛上几乎没有区别，直方图看起来也非常相似。此外，在其他测量中，该模型在整个帧范围内的表现都很好，但随后在其他测量中会出现此问题。
我在训练期间使用数据增强（直方图拉伸、仿射变换、噪声添加），我很惊讶模型仍然如此脆弱。
由于 U-Net 对我来说主要还是一个黑盒，我想找出可以采取的步骤来更好地理解问题，然后相应地调整训练/模型。
我知道有一些方法可以可视化各个层的学习内容（例如，正如 F. Chollets book see here 所讨论的那样），我应该能够将这些应用于完全卷积的 U-Net。
然而，这些方法实际上总是在网络分类领域进行讨论，而不是语义分割。
所以我的问题是：
这是了解 U-Net 模型如何获得分割结果的最佳/最直接的方法吗？如果没有，有什么更好的方式来理解/调试 U-Net？
【问题讨论】：
标签： python tensorflow computer-vision conv-neural-network semantic-segmentation