非分类掩码的UNet损失函数？
我有一个用Keras实现的UNet分割网络，它的功能是将RGB图像中的每个像素映射到四个类别，训练时使用的是热图掩码（低、低中、高中、高）。通过使用交叉熵损失（CCE）或分类Dice损失，我得到了不错的结果。
不过，这个掩码最初是一个分辨率为255的热图图像。将它强行压缩成四个类别，感觉像是在引入一些完全不必要的错误。
我希望网络输出的图像中，每个像素的值在0到1之间，并且用通过将热图图像乘以1./255得到的掩码来训练网络。
在这种情况下，损失函数会计算掩码和网络预测之间的数学差异。有没有人能告诉我，有没有类似的例子？我觉得我在用相关术语描述我想要的东西时很糟糕，因为这似乎在计算机视觉中是一个相当常见的目标……
相关问题：
- 暂无相关问题
1 个回答
2
如果我理解你的问题没错的话，"真实标签"的掩码其实就是一张灰度图像，里面的数值范围是[0,255]。这意味着图像中的数值之间有很强的关系，比如说25和26是很接近的，而25和70就差得远了。这和普通的分割方法不一样，普通分割是给每个像素分配一个不同的类别，类别的数值可能代表一些随意的物体，比如“自行车”或者“人”。换句话说，这其实是一个回归问题，更具体地说，是图像到图像的回归。你要做的就是重建一张灰度图像，它的每个像素都应该和真实标签的掩码一模一样。
如果我理解得没错的话，你应该关注回归损失。常见的例子有均方误差（也叫MSE，L2范数）或者平均绝对误差（也叫MAE，L1范数）。这些是比较常用的方法，我建议你可以先从这两个开始，虽然还有很多其他的损失函数可以选择。