CNN：用于逐像素分类的 Softmax 层
CNN: Softmax layer for pixel-wise classification
我想更详细地了解 softmax 层如何在 CNN 中查看图像的语义分割/像素class化。 CNN 输出 class 个标签的图像，其中原始图像的每个像素都有一个标签。
通过网络传递测试图像后，倒数第二层输出原始图像分辨率的N个通道。我的问题是，softmax层如何将这N个通道转换为标签的最终图像。
假设我们有 C classes（# 个可能的标签）。我的建议是，对于每个像素，其上一层的N个神经元连接到softmax层中的C个神经元，其中每个C个神经元代表一个class。使用 softmax 激活函数，C 个输出（对于该像素）的总和等于 1（这有助于网络的训练）。最后，每个像素被 class 化为具有最高概率（由 softmax 值给出）的 class。
这意味着，softmax 层由 C * #pixels 神经元组成。我的建议正确吗？我没有找到对此的解释，希望你能帮助我。
感谢您的帮助！
答案是softmax层不要将这N个通道变换成labels的最终图像
假设您有 N 通道输出，您的问题是如何将其转换为 3 通道以获得最终输出。
答案是你不知道。这 N 个通道中的每一个代表一个 class。要走的路是你应该有一个具有相同高度和重量和 3 个通道的虚拟数组。
现在你必须用一种颜色对每个 class 进行抽象编码，例如街道为绿色，汽车为红色等
假设高度 = 5 和宽度 = 5，通道 7 具有最大值。现在，
-> 如果通道 7 代表汽车，您需要在高度 = 5 和宽度 = 5 的虚拟数组上放置一个红色像素。
-> 如果通道 7 代表街道，则需要在高度 = 5 和宽度 = 5 的虚拟数组上放置一个绿色像素。
所以你试图寻找一个像素属于 N class 中的哪一个。并基于 class 您将在虚拟数组上以独特的颜色重新绘制像素。
这个虚拟数组称为掩码。
例如，假设这是一个输入
我们正在尝试使用像素方式 classification 来定位大脑的肿瘤区域。这里 classes 的数量是 2，肿瘤存在和不存在。所以 softmax 层输出一个 2 通道对象，其中通道 1 表示存在肿瘤，而通道 2 表示不存在。
因此，每当高度 = X 和宽度 = Y 时，通道 1 具有更高的值，我们就制作虚拟 [X][Y] 图像的白色像素。当通道 2 具有更高的值时，我们制作一个黑色像素。
之后我们得到一个像这样的面具，
这没有多大意义。但是当我们叠加两个图像时，我们得到这个
所以基本上您将尝试使用 N 通道从您的输出创建蒙版图像（第 2 个）。叠加它们将为您提供最终输出
我想更详细地了解 softmax 层如何在 CNN 中查看图像的语义分割/像素class化。 CNN 输出 class 个标签的图像，其中原始图像的每个像素都有一个标签。
通过网络传递测试图像后，倒数第二层输出原始图像分辨率的N个通道。我的问题是，softmax层如何将这N个通道转换为标签的最终图像。
假设我们有 C classes（# 个可能的标签）。我的建议是，对于每个像素，其上一层的N个神经元连接到softmax层中的C个神经元，其中每个C个神经元代表一个class。使用 softmax 激活函数，C 个输出（对于该像素）的总和等于 1（这有助于网络的训练）。最后，每个像素被 class 化为具有最高概率（由 softmax 值给出）的 class。 这意味着，softmax 层由 C * #pixels 神经元组成。我的建议正确吗？我没有找到对此的解释，希望你能帮助我。
感谢您的帮助！
答案是softmax层不要将这N个通道变换成labels的最终图像
假设您有 N 通道输出，您的问题是如何将其转换为 3 通道以获得最终输出。
答案是你不知道。这 N 个通道中的每一个代表一个 class。要走的路是你应该有一个具有相同高度和重量和 3 个通道的虚拟数组。
现在你必须用一种颜色对每个 class 进行抽象编码，例如街道为绿色，汽车为红色等
假设高度 = 5 和宽度 = 5，通道 7 具有最大值。现在，
-> 如果通道 7 代表汽车，您需要在高度 = 5 和宽度 = 5 的虚拟数组上放置一个红色像素。
-> 如果通道 7 代表街道，则需要在高度 = 5 和宽度 = 5 的虚拟数组上放置一个绿色像素。
所以你试图寻找一个像素属于 N class 中的哪一个。并基于 class 您将在虚拟数组上以独特的颜色重新绘制像素。
这个虚拟数组称为掩码。
例如，假设这是一个输入
我们正在尝试使用像素方式 classification 来定位大脑的肿瘤区域。这里 classes 的数量是 2，肿瘤存在和不存在。所以 softmax 层输出一个 2 通道对象，其中通道 1 表示存在肿瘤，而通道 2 表示不存在。
因此，每当高度 = X 和宽度 = Y 时，通道 1 具有更高的值，我们就制作虚拟 [X][Y] 图像的白色像素。当通道 2 具有更高的值时，我们制作一个黑色像素。
之后我们得到一个像这样的面具，
这没有多大意义。但是当我们叠加两个图像时，我们得到这个
所以基本上您将尝试使用 N 通道从您的输出创建蒙版图像（第 2 个）。叠加它们将为您提供最终输出