将图像分割模型输出从 2D（类，像素数）重塑为 3D 通道最后图像的正确方法是什么

Question

我正在使用 keras 和 python 进行卫星图像分割。据我了解，为了获得图像分割的（像素级）预测，模型将维度层（-1，num_classes，高度，宽度）重塑为形状（-1，num_classes，高度*宽度). 然后应用像 softmax 或 sigmoid 这样的激活函数。我的问题是如何在这一步后以先通道还是后通道的格式恢复图像？示例代码

o = (Reshape((  num_classes , outputHeight*outputWidth)))(o)
o = (Permute((2, 1)))(o)
o = (Activation('softmax'))(o)

我试过在模型的最后添加以下层

o = (Reshape((outputHeight, outputWidth, num_classes)))(o)

这是正确的吗？这是否会按照与原始顺序相同的顺序重新定向图像像素？另一种选择可能是在单个图像上使用以下代码。

array.reshape(height, width, num_classes)

我应该使用哪种方法来获得像素级分割结果？

Answer 1

不，如果您对图像分割感兴趣，您应该而不是展平然后重塑您的张量。相反，使用 全卷积 模型，例如 U-Net. You find a lot of example implementations of it on github, e.g. here

将图像分割模型输出从 2D（类，像素数）重塑为 3D 通道最后图像的正确方法是什么

what is the correct way to reshape image segmentation model output from 2D (num of classes, num of pixels) to 3D channel last images

image-segmentation

python-3.x

deep-learning

keras