我对深度学习还很陌生，我正在尝试与Tensorflow和Keras一起玩。我已经完成了一些教程的工作，这些教程解释了如何在标签数据上使用CNN。
现在我想尝试一些不同的东西。我有大小（m，n，o）的输入数据和大小（m，n，p）的输出数据。因此，输入和输出数据具有相同数量的像素（m，n），但具有不同数量的通道。使用每个像素的o参数，应生成具有p通道的输出像素。
我该如何实现？ CNN是合适的体系结构还是我应该使用其他体系结构？您知道有关此问题的任何教程或流行语吗？
答案 0 :(得分：1)
您可以查看Semantic Segmentation。听起来很相似。通常，输入具有3个通道（RGB），输出通道的数量等于要检测的类的数量。
用于此任务的基于CNN的体系结构相当多，上面的链接中描述了其中的一些体系结构，可将其用于您的任务。
答案 1 :(得分：0)
在我的思维空间中，适用的短语是“ image-2-image”。是否要使用CNN很大程度上取决于您的翻译内容。如果从o频道到p频道的转换与上下文无关，那么CNN就是巨大过度杀伤力。
例如，如果您试图将显示磷光体（RGB）转换为打印机的分离度（CYMK），则只需在每个像素上进行简单的矩阵乘法即可。
相反，如果您要涉及空间邻近性和区域特征以进行转换-使用附近的像素识别形状，然后从这些区域形状生成输出图像-那么就需要使用CNN。