我想更详细地了解 softmax 层如何在 CNN 中用于图像的语义分割/像素分类。 CNN 输出一个类别标签的图像，其中原始图像的每个像素都有一个标签。
将一张测试图像通过网络后，倒数第二层输出N通道的原始图像分辨率。我的问题是，softmax 层如何将这 N 个通道转换为标签的最终图像。
假设我们有 C 类（# 可能的标签）。我的建议是，对于每个像素，其前一层的 N 个神经元连接到 softmax 层中的 C 个神经元，其中每个 C 个神经元代表一个类。使用 softmax 激活函数，C 输出（对于该像素）的总和等于 1（这有助于网络的训练）。最后，每个像素被归类为概率最高的类别（由 softmax 值给出）。 这意味着，softmax 层由 C * #pixels 神经元组成。我的建议正确吗？我没有找到对此的解释，希望您能帮助我。
感谢您的帮助！
【问题讨论】：
标签： conv-neural-network image-segmentation softmax
答案是softmax层不要将这N个通道转换为标签的最终图像
假设您有 N 通道的输出，您的问题是如何将其转换为 3 通道以进行最终输出。
答案是你不知道。这 N 个通道中的每一个都代表一个类。要走的路是你应该有一个具有相同高度和重量以及 3 个通道的虚拟阵列。
现在你必须用一种颜色抽象地对每个类进行编码，比如街道为绿色，汽车为红色等。
假设高度 = 5 和宽度 = 5，通道 7 具有最大值。现在，
->如果通道 7 代表汽车，则需要在高度 = 5 且宽度 = 5 的虚拟数组上放置一个红色像素。
->如果通道 7 代表街道，则需要在高度 = 5 且宽度 = 5 的虚拟数组上放置一个绿色像素。
因此，您正在尝试查找像素属于 N 类中的哪一个。并且基于类，您将在虚拟数组上以独特的颜色重绘像素。
这个虚拟数组称为掩码。
例如，假设这是一个输入
我们正在尝试使用像素分类来定位大脑的肿瘤区域。这里的类数是 2，肿瘤存在和不存在。因此，softmax 层输出一个 2 通道对象，其中通道 1 表示存在肿瘤，通道 2 表示存在肿瘤。
因此，当高度 = X 和宽度 = Y 时，通道 1 具有更高的值，我们制作虚拟 [X][Y] 图像的白色像素。当通道 2 具有更高的值时，我们制作一个黑色像素。
之后我们得到一个这样的面具，
这没有多大意义。但是当我们叠加这两个图像时，我们得到了这个
因此，基本上您将尝试使用 N 通道从您的输出中创建遮罩图像（第二张）。覆盖它们将为您提供最终输出
【讨论】：