U-net低对比度测试图像，预测输出为灰框
U-net low contrast test images, predict output is grey box
我 运行 从 https://github.com/zhixuhao/unet 中获取 unet，但是当我 运行 unet 时，预测的图像都是灰色的。我收到一条错误消息，说我的测试数据的图像对比度低，有人遇到过或解决过这个问题吗？
我正在使用 50 张超声图像进行训练，增强后得到大约 2000/3000，在 5 个时期，每个时期 300 步，批量大小为 2。
非常感谢
海伦娜
After you made sure that your data pipeline is correct. There are a few things to consider here, I hope one of the bellow mentioned helps:
1.选择合适的损失函数
二元交叉熵可能会引导您的网络朝着优化所有标签的方向发展，现在如果您的图像中的标签数量不平衡，它可能会让您的网络返回白色、灰色或黑色图像预测。尝试使用骰子系数损失
2。更改 testGenerator 中的行
data.py 和 testGenerator 方法中似乎有问题的是以下行：
img = img / 255
改为：
img /=255.
3。降低学习率
如果你的学习率太高，你可能会收敛到不充分的最佳状态，这也往往只针对灰色、黑色或白色预测进行优化。
尝试大约 Adam(lr = 3e-5) 的学习率并训练足够数量的 epoch，您应该打印骰子损失而不是准确性来检查您的收敛。
4.最后一组卷积不使用激活函数
最后一组卷积，也就是128->64->64->1，应该不用激活函数了！激活函数导致值消失！
5.您的保存方法可以有一个 "bug" 确保在保存之前将图像缩放到 0 到 255 之间的值。 Skimage 通常会用低对比度图像警告来警告您。
from skimage import img_as_uint
io.imsave(os.path.join(save_path,"%d_predict.tif"%(i)),img_as_uint(img))
6.您的保存格式可能有 "bug" 确保您以正确的格式保存图像。我发现另存为 .png 只能得到黑色或灰色图像，而 .tif 却很有魅力。
7.你可能只是训练不够 当你的网络没有按照你希望的那样运行时，你会经常惊慌失措并中止训练。机会是，额外的训练时期正是它所需要的。
我 运行 从 https://github.com/zhixuhao/unet 中获取 unet，但是当我 运行 unet 时，预测的图像都是灰色的。我收到一条错误消息，说我的测试数据的图像对比度低，有人遇到过或解决过这个问题吗？
我正在使用 50 张超声图像进行训练，增强后得到大约 2000/3000，在 5 个时期，每个时期 300 步，批量大小为 2。
非常感谢 海伦娜
After you made sure that your data pipeline is correct. There are a few things to consider here, I hope one of the bellow mentioned helps:
1.选择合适的损失函数 二元交叉熵可能会引导您的网络朝着优化所有标签的方向发展，现在如果您的图像中的标签数量不平衡，它可能会让您的网络返回白色、灰色或黑色图像预测。尝试使用骰子系数损失
2。更改 testGenerator 中的行
data.py 和 testGenerator 方法中似乎有问题的是以下行：
img = img / 255
改为：
img /=255.
3。降低学习率
如果你的学习率太高，你可能会收敛到不充分的最佳状态，这也往往只针对灰色、黑色或白色预测进行优化。
尝试大约 Adam(lr = 3e-5) 的学习率并训练足够数量的 epoch，您应该打印骰子损失而不是准确性来检查您的收敛。
4.最后一组卷积不使用激活函数 最后一组卷积，也就是128->64->64->1，应该不用激活函数了！激活函数导致值消失！
5.您的保存方法可以有一个 "bug" 确保在保存之前将图像缩放到 0 到 255 之间的值。 Skimage 通常会用低对比度图像警告来警告您。
from skimage import img_as_uint
io.imsave(os.path.join(save_path,"%d_predict.tif"%(i)),img_as_uint(img))
6.您的保存格式可能有 "bug" 确保您以正确的格式保存图像。我发现另存为 .png 只能得到黑色或灰色图像，而 .tif 却很有魅力。
7.你可能只是训练不够 当你的网络没有按照你希望的那样运行时，你会经常惊慌失措并中止训练。机会是，额外的训练时期正是它所需要的。