ps语义分割_图像语义分割训练经验总结--图像语义分割

最近一直在学pytorch，copy了几个经典的入门问题。现在作一下总结。

首先，做的小项目主要有

分类问题：Mnist手写体识别、FashionMnist识别、猫狗大战

语义分割：Unet分割肝脏图像、遥感图像

先把语义分割的心得总结一下，目前只是一部分，以后还会随着学习的深入慢慢往里面加新的感悟。

1)对于二分类问题

1. Unet输出channel：对于二分类问题，类别数为2，channel为1，用uint8的单通道灰度图像表示类别就行(0/1)。

2. label是单通道灰度图像，直接传给损失函数。

3. 损失函数：nn.sigmoid + nn.BCELoss / nn.BCEWithLogitsLoss，此时计算loss的ouput和label维度应该保持一致。batchsize*1*h*w

2)对于多分类问题

1. Unet输出channel： 输出channel是类别数。网络的输入是img，网络的输出是one hot编码的多通道图像。

2. Label是单通道灰度图像，不同的灰度级表示不同的类别。用于传给损失函数，计算Loss。

具体操作方面，第一步有人说先将Label进行one hot编码(即转换成多通道图，一个通道一个类别)，这样才能用交叉熵计算损失；也有人说不需要one hot编码，直接把单通道Label作为损失函数的Label。

其实这两个人说的都不错，但第一个人并没有用Pytorch做，而第二个人是用Pytorch和nn.CrossEntropyLoss计算损失的。

在多分类问题中&#x