我正在研究使用CNN的（高能物理相关）问题。
为了解问题，让我们考虑一下these examples here.
左侧是CNN的输入，右侧是所需输出的右侧。所以网络应该集中输入。这种聚类背后的实际算法（即我们如何获得所需的训练输出）非常复杂，我们希望CNN能够学习这一点。
我尝试过不同的CNN架构，例如类似于U-net架构（https://arxiv.org/abs/1505.04597），还有各种卷积层的连接等。
输出总是非常相似（适用于所有架构）。 Here you can see some CNN predictions.
原则上网络表现相当不错，但正如您所看到的，在大多数情况下，CNN输出由几个直接相邻的填充像素组成，在真实情况下永远不会（！）发生。 / p>
我一直在使用均方误差作为所有网络中的损失函数。
您是否有任何建议可以避免此问题并改善网络性能？
或者这是对CNN的一般限制，在实践中使用CNN无法解决这样的问题？
非常感谢！
答案 0 :(得分：0)
我的建议是分开工作。首先使用U形NN在二进制分割任务中找到激活（如在您的论文中），然后对找到的激活进行回归以找到它们的最终值。根据我的经验，这比在大图像上进行回归更好，因为MSE会导致输出模糊，正如您所观察到的那样。
答案 1 :(得分：0)
CNN不知道您想要一个出色的结果。如@Thomas所述，MSE往往会给您模糊的结果，因为这是损失函数的本质。给出模糊的结果不会在MSE中造成很大的损失。
一个简单的修改就是使用L1损失（绝对差而不是平方误差）。它具有与MSE不同的恒定梯度，MSE的梯度会随着误差而减小。
如果您真的想要一个清晰的结果，则添加手动步骤（非最大抑制（NMS））会更容易。实际上，可以使用3x3的Box-max滤镜。
