Unet输入和输出

Question

我对计算机视觉完全陌生，正在尝试训练一个模型，该模型采用正常的3通道图像（RGB）并给出输出，这只是一个简单的二进制蒙版。据我所知，称为Unet的体系结构可以做到这一点。例如，TernausnetV2在kaggle比赛中表现很好。在这种模型架构中，我认为输入和输出正确吗？

我有3通道图像（RGB）和二进制蒙版图像（与3通道图像大小相同，所有值均为1或0）。 感谢您的帮助。

Answer 1

您正在谈论的计算机视觉任务称为语义分割，而U-Net模型是用于解决问题的基本自动编码器体系结构。如今，有许多模型是从U-Net派生而来的（Ternausnet就是其中之一），可以在带有代码SOTA比较link的论文中找到一些比较。 U-Net架构通常使用3通道输入大小进行RGB图像处理，并使用1通道输出大小-模型通常在最后一层使用Sigmoid激活卷积层，其核心大小为1x1，基本上遍及整个图像，并且在每个像素上计算Sigmoid函数 -维基百科link，为每个像素分配0到1之间的值（取决于数据大小，也可以使用tanh--1/1）。可以从Towards数据科学link

的精彩教程中找到更多信息。