图像每像素场景标记输出问题（使用FCN-32s语义分段）

Question

我正在寻找一种方法，给定输入图像和神经网络，它将为图像中的每个像素（天空，草地，山脉，人，汽车等）输出标记的类。

我已经设置了Caffe（未来分支）并成功运行了FCN-32s Fully Convolutional Semantic Segmentation on PASCAL-Context模型。但是，我无法用它生成清晰的标记图像。

可视化我的问题的图像：
输入图像

基本事实
我的结果：

这可能是一些解决方案问题。知道我哪里出错了吗？