我正在处理数量有限的大尺寸图像，每个图像都可以有3072*3072像素。为了使用 FCN 或 U-net 训练语义分割模型，我构建了一个大样本的训练集，每个训练图像是128*128.
在预测阶段，我所做的是将大图像切成小块，与训练集相同128*128，并将这些小块输入到训练好的模型中，得到预测的掩模。之后，我只需将这些小补丁缝合在一起即可获得整个图像的蒙版。这是对大图像执行语义分割的正确机制吗？
您的解决方案经常用于解决此类问题。然而，我认为这是否真正有意义取决于数据。让我给你举两个你仍然可以在 Kaggle 上找到的例子。
如果您想屏蔽卫星图像的某些部分，您可能会采用这种方法，而不会降低准确性。这些图像高度重复，并且分割区域与原始图像中的拍摄位置之间可能没有相关性。
如果你想从背景中分割出一辆汽车，那么将其分成碎片是不可取的。通过多个层，网络将了解框架中汽车的全局分布。掩模很可能在图像的中间为正，在图像的角落为负。
由于您没有给出您要解决的任何具体问题，我只能给出一般性建议：尝试将输入图像保持在硬件允许的范围内。在许多情况下，我宁愿对原始图像进行缩减采样，也不愿将其分解为补丁。
关于 curio1729 的推荐，我只能建议不要在小补丁上进行训练并在原始图像上进行测试。虽然由于完全卷积网络，这在技术上是可能的，但您正在扩展数据，这很可能会损害性能。 CNN 因其提取局部特征而闻名，但通过多层抽象可以学到大量全局信息。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
