语义分割的概率图
probability map for semantic segmantion
关于语义分割，我觉得最后的pixel-wise labeling有多种方式，比如
softmax、sigmoid、逻辑回归或其他 class 典型 class 化方法。
但是，对于 softmax 方法，我们需要确保网络架构产生的输出图具有多个通道。通道数与 classes 的数量相匹配。例如，如果我们谈论两个 classes 问题，掩码和非掩码，那么我们将使用两个通道。这样对吗？
此外，输出图中的每个通道都可以视为给定 class 的概率图。这个理解对吗？
对这两个问题都是肯定的。 softmax函数的目标是将分数转化为概率，这样你就可以最大化真实标签的概率。
关于语义分割，我觉得最后的pixel-wise labeling有多种方式，比如
softmax、sigmoid、逻辑回归或其他 class 典型 class 化方法。
但是，对于 softmax 方法，我们需要确保网络架构产生的输出图具有多个通道。通道数与 classes 的数量相匹配。例如，如果我们谈论两个 classes 问题，掩码和非掩码，那么我们将使用两个通道。这样对吗？
此外，输出图中的每个通道都可以视为给定 class 的概率图。这个理解对吗？
对这两个问题都是肯定的。 softmax函数的目标是将分数转化为概率，这样你就可以最大化真实标签的概率。