TensorFlow：如何处理图像分割中的无效标记数据？答案

【问题标题】：TensorFlow: How to handle void labeled data in image segmentation?TensorFlow：如何处理图像分割中的无效标记数据？
【发布时间】：2018-02-16 06:54:05
【问题描述】：

我想知道如何使用 TensorFlow 在图像分割中处理未标记的图像部分。例如，我的输入是高度 * 宽度 * 通道的图像。标签也是高*宽的大小，每个像素一个标签。

图像的某些部分带有注释，而其他部分则没有。我希望这些部分对梯度计算没有任何影响。此外，我对预测这个“无效”标签的网络不感兴趣。

这有标签或功能吗？目前我正在使用tf.nn.sparse_softmax_cross_entropy_with_logits。

【问题讨论】：

反问：你怎么知道哪些部分被错误地标记了？或者您的网络如何知道哪些部分被错误标记？
看看这个数据集，例如：host.robots.ox.ac.uk/pascal/VOC/voc2012/segexamples/index.html 图像的像素标记为“空”，甚至是背景数据。我就是这样知道的。网络如何知道这几乎是我的问题。
好的，所以不是图像的某些部分没有正确注释，只是它们被注释了一些应该被忽略的指示？
您所谓的“可能无效数据”可能是您需要半监督学习的情况，并且有多种方法可以使其工作，以及使用 Tensorflow 实现实现。您的问题太宽泛了，从表面上看，甚至与软件开发无关。考虑对半监督学习任务进行更多研究，因为目前还没有适合 Stack Overflow 答案的规范答案。
理想情况下，您将使用像素级“信息增益”损失（这是“交叉熵”损失的概括）

【解决方案1】：

如果我理解正确，您对每个图像的一部分都带有标签 void，您对此根本不感兴趣。既然没有简单的方法来获得这些空点背后的真实值，为什么不将这些点映射到背景标签并尝试为您的模型获取结果呢？我会尝试在预处理状态下从这个空白标签中清除数据标签，并用背景标签替换它们。

另一种可能的策略，如果您只是想将 void 标签映射到背景，则运行一个遮罩（从右到左从上到下连续运动）以检查来自 void 像素的 neigthbooring 像素（假设5x5 像素的区域）并为 void 像素分配除 void 之外最常见的标签。

您还可以始终保留更好的数据子集，过滤无效标签百分比超过阈值的数据。您可以只保留没有空白标签的图像，或者更可能的是，您可以保留仅低于阈值（例如 5%）的未标记点的图像。在此图像中，您可以实施上述替换无效标签的策略。

【讨论】：

我已经尝试了您的第一个建议。我已将所有空白数据标记为标签 0，不幸的是，网络随后对非空白区域进行了标签 0 预测。这是由于我的数据的性质，我猜。这就是为什么我希望有一个可以在 caffe 中找到的 void 标签。
网络总是会错误分类像素，即使在训练数据中也无法达到完美的准确性。你替换了多少像素，你的图像中有多少百分比有空白标签？也许您应该过滤所有带有 void 标签的图像并运行您的模型，看看您的代码是否还有其他问题，而不是带有 void 标签的图像

【解决方案2】：

我对 TF 不是 100% 熟悉。但是，你有没有考虑过使用损失的weights参数呢？
查看tf.loses.sparse_softmax_cross_entropy 有一个参数weights

weights：损失系数。这必须是标量或与标签具有相同的等级

您可以将weightof "void" 像素设置为零，从而使损失忽略它们。

您还可以从tf.nn.sparse_softmax_cross_entropy_with_logits 中删除减少并使用tf.losses.compute_weighted_loss 执行加权。

【讨论】：