为什么在CNN分割任务中使用0.5作为二值化阈值？答案

【问题标题】：Why use 0.5 as the binarization threshold in the task of CNN segmentation?为什么在CNN分割任务中使用0.5作为二值化阈值？
【发布时间】：2019-10-21 13:12:12
【问题描述】：

为什么在CNN分割任务中使用0.5作为二值化阈值？

我们经常在得到预测概率图后进行二值化，像这样：

Pred = model(data)

Pred = pred > 0.5

我很困惑为什么它是 0.5。我尝试将此阈值设置为 0.3、0.4、0.5 和 0.6。事实证明，0.4 是最好的，当然不同的任务会产生不同的结果。

那么为什么我们在图像分割中总是使用0.5作为阈值呢？

【问题讨论】：

我们并不总是使用 0.5，但就像在大多数监督学习算法中一样，必须给出默认阈值，并且大多数情况下是 0.5（将默认阈值设为 0.4 会很奇怪或 0.6，就像你说的那样，这将是一个根据你的任务进行优化的参数）
我使用的是 0.95，所以它可以根据您的问题而有所不同
@HuguesGALLIER 是的，我担心将它设置为 0.4 会被质疑为什么这是这个值。到现在我还不能很好的解释这个问题。
@juvianj 我也用过0.4作为阈值，但至今无法解释为什么用0.4。就像我只是无缘无故地挑选了一个并做出了最好的。
这个问题真的不适合stackoverflow，它是一个更普遍的问题而不是程序问题。

标签： python deep-learning conv-neural-network image-segmentation

【解决方案1】：

阈值是特定于任务的。

因此，没有开箱即用的保证阈值可以发挥最佳效果。

这个想法是在不同的阈值值之间进行迭代（显然在 0 和 1 之间）并找到最适合您的问题的阈值。

至于你的不确定性：你在分割过程中使用了神经网络；在撰写此评论时，研究人员仍在研究神经网络的“可解释性问题”。

没有人会回答“为什么 0.4 比 0.5 好”；只能是猜想。

【讨论】：