问题描述
我正在训练我的 U 架构进行像素分类。我有 9 个班级，所有班级都是互斥的。每个标签都用 0 到 9 的不同像素值表示，包括背景，标签之间没有重叠。
所以我认为这是多类分类。
我在 U-net 中的最后一层是
out=layers.conv2D(num_classes,Activation='softmax')(prevIoUs_layer)
model.compile(optimizer=Adam(lr),loss='categorical_crossentropy',metrics=[mean_IoU])
我检查了 softmax 激活如何使每个类的概率和输出总和绑定为 1。
但是如果我不考虑背景类并且有 8 个类，为什么我不能使用 sigmoid？。 示例：
out=layers.conv2D(num_classes,Activation='sigmoid')(prevIoUs_layer)
model.compile(optimizer=Adam(lr),loss='binary_crossentropy',metrics=[mean_IoU])
这会作为二进制像素分类单独作用于每个通道吗？如果这可行，那么我应该从模型中获得单个输出还是根据类的数量获得多个输出？
如果这也适用，那么为什么所有多类问题都使用 softmax？
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）