语义分割python教学_如何实现多类语义分割？

我能训练一个U-net有标签的图像有一个二进制分类。

但我很难弄清楚如何在Keras/Theano中为多类分类(4类)配置最后一层。

我有634个图像和相应的634个掩码，它们是unit8和64 x 64像素。

我的遮罩不是黑色(0)和白色(1)，而是有3个类别的彩色标记对象和背景，如下所示：黑色(0)，背景

红色(1)，对象类1

绿色(2)，对象类2

黄色(3)，对象类3

在训练运行之前，包含掩码的数组是一个热编码数组，如下所示：mask_train = to_categorical(mask_train, 4)

这使得mask_train.shape从(634, 1, 64, 64)变为(2596864, 4)。

我的模型严格遵循Unet架构，但是最后的层似乎有问题，因为我无法将结构展平以匹配一个热编码数组。[...]

up3 = concatenate([UpSampling2D(size=(2, 2))(conv7), conv2], axis=1)

conv8 = Conv2D(128, (3, 3), activation='relu', padding='same')(up3)

conv8 = Conv2D(128, (3, 3), activation='relu', padding='same')(conv8)

up4 = concatenate([UpSampling2D(size=(2, 2))(conv8), conv1], axis=1)

conv9 = Conv2D(64, (3, 3), activation='relu', padding='same')(up4)

conv10 = Conv2D(64, (3, 3), activation='relu', padding='same')(conv9)

# here I used number classes = number of filters and softmax although

# not sure if a dense layer should be here instead

conv11 = Conv2D(4, (1, 1), activation='softmax')(conv10)

model = Model(inputs=[inputs], outputs=[conv11])

# here categorical cross entropy is being used but may not be correct

model.compile(optimizer='sgd', loss='categorical_crossentropy',

metrics=['accuracy'])

return model

你对如何修改模型的最后部分使这列火车成功有什么建议吗？我得到了各种形状不匹配的错误，我成功地运行了几次，损失没有改变整个时代。