用于训练完全卷积神经网络的子补丁生成机制

Question

我有一个图像集，由300个图像对组成，即原始图像和掩模图像。典型的掩模图像如下所示。每张图片的大小为800 * 800。我正在尝试为此图像集训练完全卷积神经网络模型以执行语义分割。我试图从原始图像生成小补丁（256 * 256）以构建训练集。是否有针对此补丁采样流程推荐的策略？当然，随机抽样是一种微不足道的方法。这里标有黄色前景类的区域通常占整个图像区域整个图像区域的25％。它倾向于反映不平衡的数据集。

Answer 1

如果您训练完全卷积架构，假设800x800输入和25x25输出（在五个2x2汇集层之后，25=800/2^5）。尝试直接构建25x25输出并直接在它们上训练。您可以在损失函数中为“正”标签添加更高的权重，以使其与“否定”平衡。

我绝对不建议采样，因为这将是一个昂贵的过程，并不是真正完全卷积。