Question

我正在使用Keras构建一个用于解决两类图像分割问题的U网络。我大致遵循此处给出的示例：https://github.com/zhixuhao/unet。在该示例之后，解码器的最后几层（包括输出层）如下所示：

    up9 = UpSampling2D(size = (2,2))(conv8)
    merge9 = concatenate([conv1,up9], axis = 3)
    conv9 = Conv2D(16, 3, activation = 'relu', padding = 'same')(merge9)
    conv9 = Conv2D(16, 3, activation = 'relu', padding = 'same')(conv9)

    conv9 = Conv2D(2, 3, activation = 'relu', padding = 'same')(conv9)
    conv10 = Conv2D(1, 1, activation = 'sigmoid',padding='same')(conv9)

我发现的关键问题是删除此行时：

conv9 = Conv2D(2, 3, activation = 'relu', padding = 'same')(conv9)

然后，U-net根本无法训练（使用二进制交叉熵），并且鉴于我在其他地方看到几乎完全相同的U-net完全跳过了这一层，因此我无法弄清楚为什么需要这一层。

任何人都可以在这里说明为什么需要这一层吗？如果我要制作WAG，我想说这与以下事实有关：我们想使用2个过滤器来代表每个类？在这种情况下，它是否与预期的输出形状（128x128x1）有关？

此U-net的后两层出了什么问题？

0 个答案: