训练神经网络进行图像分割

Question

我有一组原始图像补丁（101x101矩阵）和另一组二进制的图像补丁（相同大小101x101），它们是训练神经网络的“答案”。我想训练我的神经网络，以便它可以学习，识别从给定图像训练的形状，并在输出矩阵（作为分割的结果）产生图像（可能是150x10201的相同矩阵？）。 / p>

原始图像在左侧，所需的输出在右侧。

因此，对于数据的预处理阶段，我将原始图像块重新整形为1x10201的每个图像块的矢量矩阵。结合其中的150个，我得到一个150x10201矩阵作为我的输入，另一个150x10201矩阵来自二进制图像补丁。然后我将这些输入数据提供给深度学习网络。在这种情况下，我使用了Deep Belief Network。

用于设置和训练DBN的我的Matlab代码如下：

％训练4层100隐藏单元DBN并使用其权重初始化NN

rand('state',0)

％train dbn

dbn.sizes = [100 100 100 100];
opts.numepochs =   5;
opts.batchsize =   10;
opts.momentum  =   0; 
opts.alpha     =   1;
dbn = dbnsetup(dbn, train_x, opts);
dbn = dbntrain(dbn, train_x, opts);

％展开dbn到nn

nn = dbnunfoldtonn(dbn, 10201);
nn.activation_function = 'sigm';

％train nn

opts.numepochs =  1;
opts.batchsize = 10;

assert(isfloat(train_x), 'train_x must be a float');
assert(nargin == 4 || nargin == 6,'number ofinput arguments must be 4 or 6')

loss.train.e               = [];
loss.train.e_frac          = [];
loss.val.e                 = [];
loss.val.e_frac            = [];
opts.validation = 0;
if nargin == 6
    opts.validation = 1;
end

fhandle = [];
if isfield(opts,'plot') && opts.plot == 1
    fhandle = figure();
end

m = size(train_x, 1);

batchsize = opts.batchsize;
numepochs = opts.numepochs;

numbatches = m / batchsize;

assert(rem(numbatches, 1) == 0, 'numbatches must be a integer');

L = zeros(numepochs*numbatches,1);
n = 1;
for i = 1 : numepochs
tic;

kk = randperm(m);
for l = 1 : numbatches
    batch_x = train_x(kk((l - 1) * batchsize + 1 : l * batchsize), :);

    %Add noise to input (for use in denoising autoencoder)
    if(nn.inputZeroMaskedFraction ~= 0)
        batch_x = batch_x.*(rand(size(batch_x))>nn.inputZeroMaskedFraction);
    end

    batch_y = train_y(kk((l - 1) * batchsize + 1 : l * batchsize), :);

    nn = nnff(nn, batch_x, batch_y);
    nn = nnbp(nn);
    nn = nnapplygrads(nn);

    L(n) = nn.L;

    n = n + 1;
end

t = toc;

if opts.validation == 1
    loss = nneval(nn, loss, train_x, train_y, val_x, val_y);
    str_perf = sprintf('; Full-batch train mse = %f, val mse = %f',
loss.train.e(end), loss.val.e(end));
else
    loss = nneval(nn, loss, train_x, train_y);
    str_perf = sprintf('; Full-batch train err = %f', loss.train.e(end));
end
if ishandle(fhandle)
    nnupdatefigures(nn, fhandle, loss, opts, i);
end

disp(['epoch ' num2str(i) '/' num2str(opts.numepochs) '. Took ' num2str(t) '  seconds' '. Mini-batch mean squared error on training set is ' num2str(mean(L((n-numbatches):(n-1)))) str_perf]);
nn.learningRate = nn.learningRate * nn.scaling_learningRate;
end

任何人都可以告诉我，像这样的NN培训是否可以让它进行细分工作？或者我应该如何修改代码以训练NN，以便它可以以150x10201形式生成输出/结果作为图像矩阵？

非常感谢你..

Answer 1

你的投入太大了。您应该尝试使用从19x19到最大30x30的较小补丁（已经将900个神经元代表到输入层中）。

然后是您的主要问题：您只有150张图片！当你训练NN时，你需要至少三倍的训练实例而不是你的NN的重量。所以要非常小心你选择的架构。

CNN可能更适合您的问题。