例如，当使用U-Net进行语义分割时，将标签数据提供为一热编码的张量似乎是常见的做法。 In another SO question，用户指出这是由于标签通常代表分类值。仅在一层内将它们作为类标签提供给网络（灰度强度值）会带来困难。
但是在another blog post中，作者解释了标签
“ [...]有时[打包]为灰度图像，其中像素强度表示类ID [...]。此方法可能是最容易使用的方法。它允许为分布和一种热向量表示[比] [灰度编码格式] [消耗]更多的内存。“
我的硬件非常有限，我希望将标签编码为1层灰度张量，而不是n层（n是要分割的类的数量），将导致较低的内存使用量。但是，博客的作者随后还指出：
“即使您使用的深度学习框架将标签数据作为类ID接受（如[灰度格式]，它也会将这些数据转换为幕后的一键编码。”
这是否意味着在内存方面根本没有任何节省？
如果值得的话，我将如何继续在数据集读取器中实现呢？我也没有遇到过任何实施过的实施方式，其中实际上已经实施了灰度标记。因此，我也要感谢所有使用灰度标签进行语义分割的实现的链接！
我正在使用PyTorch，我的代码基于this implementation，区别在于我有3个要分割的类。
任何建议/链接都将不胜感激！
答案 0 :(得分：1)
这可以帮助您节省磁盘内存，因为您可以将标签和地面实况存储为灰度图像（宽度，高度，1），而不是更大的3D张量形状（宽度，高度，n ）。但是，在训练过程中，您将必须将灰度地面真值图像转换为3D张量才能训练网络。因此，它不会帮助您减少进程的RAM成本。
如果确实需要减少RAM使用量，则可以减小训练批处理大小或图像大小。