我使用Keras在一些图像数据上拟合完整的卷积网络以进行语义分割.但是,我有一些问题过度拟合.我没有那么多数据,我想做数据增加.但是,由于我想进行像素分类,我需要任何增强功能,如翻转,旋转和移位,以应用于特征图像和标签图像.理想情况下,我想使用Keras ImageDataGenerator进行即时转换.但是,据我所知,您不能对功能和标签数据进行等效转换.
有谁知道是否是这种情况,如果没有,有没有人有任何想法？否则,我将使用其他工具来创建更大的数据集,并立即将其全部输入.
谢谢!
我很确定这是一个愚蠢的问题,但我无法在其他任何地方找到它,所以我会在这里问它.
我正在使用带有7个标签的keras中的cnn(unet)进行语义图像分割.所以每个图像的标签是(7,n_rows,n_cols)使用theano后端.因此,对于每个像素的7个层,它是一个热编码的.在这种情况下,使用分类交叉熵是正确的误差函数吗？这似乎对我来说,但网络似乎更好地学习二进制交叉熵损失.有人可以阐明为什么会这样,原则目标是什么？