我正在使用NiftyNet来做一些细分项目。对于Label_normalization部分中的Segmentation选项，根据我的理解，它将标签转换为“0,1，...”，对吗？我可能错了。所以我的问题是：
这对我的培训过程有何影响？如果我的两个标签是“0,1”或“0,10”，那会有区别吗？
我看到这个标签规范化层只适用于标签图像，所以我想绝不会在模型训练后影响我的推理结果。但事实上，无论有没有Label_normazation我都会得到不同的结果。那是为什么？
如果你能帮我解决这些问题，我会非常感激！
答案 0 :(得分：0)
label_normalisation图层是为＆＃34;地面真相设计的元素转换＆＃34;离散分割图的输入量。它主要用于在训练期间有效地计算分段损失。
两个可能的用例可能是，例如，1）我们可以将{0,1,2,3,4}的5级分段标签映射到{0,0,1,1,1}，因此很容易创建二进制分段任务; 2）对于200级分割问题，我们可以创建一个稀疏矩阵来表示分割图（在标签规范化之后），而不是使用HxWxDx200体素消耗内存的二进制映射。
但是在第一种情况下，当缺少用于训练的映射函数时，我们无法恢复原始标签空间。目前，输出在推理时间留在映射空间中。