Question

我对深度学习很陌生;我想在大小（256,256,3）的图像块上训练网络，以预测像素分割的三个标签。首先，我想提供一个卷积层：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))

到目前为止，模型输出是一个包含32个通道的图像。现在，我想添加一个密集层，将所有这32个通道合并为三个通道，每个通道预测一个像素为一个像素的概率。

我该怎么做？

Answer 1

将32个通道合并为3的最简单方法是添加另一个卷积，这次使用三个滤波器（我任意设置滤波器大小为1x1）：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
model.add(Convolution2d(3, 1, 1))

然后最后添加激活功能进行分割

model.add(Activation("tanh"))

如果您想使用激活参数（任意选择为tanh），您可以一次性添加所有内容

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
model.add(Convolution2d(3, 1, 1,activation="tanh"))

https://keras.io/layers/convolutional/

Answer 2

你必须在卷积层和密集层之间使用展平：

model = Sequential()
model.add(Convolution2d(32, 16, 16, input_shape=(3, 256, 256))
# Do not forget to add an activation layer after your convolution layer, so here.

model.add(Flatten())

model.add(Dense(3))
model.add(Activation("sigmoid")) # whatever activation you want.

具有keras的Deep Net用于图像分割

2 个答案: