TensorFlow中的像素分段丢失功能很低，但输出错误？

Question

我正在尝试使用像素方式的两个类分割（前景/背景）来在TensorFlow中使用CNN实现对象检测。我使用二进制对象掩码作为groundtruth。作为一个非常简单的案例，我使用合成生成的数据集，包括灰度图像，黑色背景3行和一个矩形。我的目标是检测一个矩形。我的输入和输出示例如下所示。

输入（320x240）：

输出（20x15）：

我的网络是完全卷积的，最后一层的大小为[20x15x2]。这两个特征图中的每一个都表示像素属于各个类的概率。

这就是我计算损失功能的方法：

reshaped_logits = tf.reshape(pred, [-1, 2])  # shape [batch_size*20*15, 2]
reshaped_labels = tf.reshape(y, [-1])  # shape [batch_size*20*15]

loss = tf.nn.sparse_softmax_cross_entropy_with_logits(reshaped_logits, reshaped_labels)
cost = tf.reduce_mean(loss)
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

我的损失函数收敛到最小值： Minibatch Loss= 0.693147非常快，即使我的输出确实是错误的。这就是我在一次迭代中计算预测掩码的方法：

t = tf.nn.softmax(reshaped_logits) # from code snipped above
prob_maps = tf.reshape(t, [-1, out_size[0], out_size[1], 2]) # out_size=(20,15)
t = tf.cast(tf.argmax(prob_maps, 3), tf.int32)
out = tf.reshape(t, [-1, out_size[0], out_size[1]])

我得到的输出结果：

[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0]]

......是这样的：

[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]]

我的模型是否可以正确收敛但是我以某种方式以错误的方式计算输出？