为什么在CNN分割任务中使用0.5作为二值化阈值？
Why use 0.5 as the binarization threshold in the task of CNN segmentation?
为什么在CNN分割任务中使用0.5作为二值化阈值？
我们经常在得到预测概率图后进行二值化，像这样：
Pred = model(data)
Pred = pred > 0.5
我很困惑为什么它是 0.5。我尝试将此阈值设置为 0.3、0.4、0.5 和 0.6。事实证明0.4是最好的，当然不同的任务会产生不同的结果。
那么为什么我们在图像分割中总是使用0.5作为阈值呢？
阈值是特定于任务的。
因此，不存在开箱即用的最佳工作保证阈值。
想法是在不同的阈值（显然在 0 和 1 之间）之间迭代并找到最适合您的问题的阈值。
至于你的不确定性：你在分割的过程中使用了神经网络；在撰写此评论时，研究人员仍在研究 'explainability issue' 神经网络。
没有人会给你答案'why is 0.4 better than 0.5'；只能是猜测
为什么在CNN分割任务中使用0.5作为二值化阈值？
我们经常在得到预测概率图后进行二值化，像这样：
Pred = model(data)
Pred = pred > 0.5
我很困惑为什么它是 0.5。我尝试将此阈值设置为 0.3、0.4、0.5 和 0.6。事实证明0.4是最好的，当然不同的任务会产生不同的结果。
那么为什么我们在图像分割中总是使用0.5作为阈值呢？
阈值是特定于任务的。
因此，不存在开箱即用的最佳工作保证阈值。
想法是在不同的阈值（显然在 0 和 1 之间）之间迭代并找到最适合您的问题的阈值。
至于你的不确定性：你在分割的过程中使用了神经网络；在撰写此评论时，研究人员仍在研究 'explainability issue' 神经网络。
没有人会给你答案'why is 0.4 better than 0.5'；只能是猜测