我的基本事实是一系列灰度图像

【问题标题】：my ground truth is a series of gray scale images我的基本事实是一系列灰度图像
【发布时间】：2021-07-06 07:01:52
【问题描述】：

我的目标是训练一个 U-Net，其中我的基本事实是与一组输入医学图像 MRI T1/T2/T1Contrast/FLAIR (240,240,4) 相关联的灰度图像 (240,240,1)。我想知道如何配置我的 unet 的最后一层（softmax？sigmoid？），以及如何让模型理解地面实况的灰度值将用于计算损失。最后一层应该提供例如256 个灰度级 (?) ...我可以将我的问题视为具有 256 个标签的分割问题吗？？

【问题讨论】：

标签： keras conv-neural-network

【解决方案1】：

如果您的 groundtruth 缩放为 0 到 255，您将需要“线性”激活，或者如果您将其缩放为 0 到 1，则不需要激活 (None)。

不，这不是分割问题，这是回归问题，这意味着您将需要使用回归损失。您可以从均方误差开始。查看 Keras 文档中的回归损失。

【讨论】：

HI @jblugagne 感谢您的评论-通常的做法是在 (0,1) 范围内标准化输入数据，但激活是 NN 学习所必需的我会说 - 它应该是线性的，例如relu 在隐藏层，但在输出？ sigmoid 还是 relu？对于回归损失，我猜 MSE 会很好用
您可以在输出层上使用 relu，但也可以不使用激活层。