使用卷积神经网络的像素级分类？
Pixel wise classification using Convolutional Neural Network?
问题是概念性的。我基本上了解 MNIST 示例的工作原理，前馈网络将图像作为输入并输出预测标签 0 到 9。
我正在做一个理想情况下将图像作为输入的项目，对于该图像上的每个像素，我将输出该像素是否为特定标签的概率。
例如，我的输入大小为 600 * 800 * 3 像素，我的输出为 600 * 800，其中输出中的每个条目都是一个概率。
如何使用卷积神经网络设计管道？我正在使用 Tensorflow。谢谢
详细说明：
基本上我想将每个像素标记为前景或背景（像素为前景的概率）。我的直觉是，在卷积层中，神经元将能够在该像素周围的补丁中获取信息，并最终能够判断出该像素有多大可能是前景。
虽然效率不高，但一个天真的方法可能是将 window（比如 5px x 5px）像素涂成黑色，记录每个输出 class 的概率，然后将 window 滑动一点，然后再次录制。这将重复，直到 window 遍历整个图像。
现在我们有一些有趣的信息。对于每个 window 位置，我们知道与 classifier 接收整个图像时的概率相比，标签上的概率分布的增量。该增量对应于该区域对 class 做出该决定的贡献的数量。
如果出于可视化目的，您希望将其向下映射到每像素级别，您可以在滑动 window 时使用 1 个像素的步长，并将概率增量映射到 window.
请注意，您不想让 window 太小，否则增量会太小而无法产生差异。此外，您可能希望在如何选择 window 的颜色方面更聪明一些，这样 window 本身似乎并不是 classifier 的一个特征。
根据您的阐述进行编辑：
这仍然适用于您正在尝试做的事情。事实上，它甚至变得更好了。您可以将它们相加，而不是将所有标签概率增量分开。这会给你测量值，告诉你 "how much does this region make the image more like a number" （或者换句话说，前景）。此外，您不会针对未覆盖的图像测量增量，而是针对每个标签的 P(x)=0 的概率向量。
问题是概念性的。我基本上了解 MNIST 示例的工作原理，前馈网络将图像作为输入并输出预测标签 0 到 9。
我正在做一个理想情况下将图像作为输入的项目，对于该图像上的每个像素，我将输出该像素是否为特定标签的概率。
例如，我的输入大小为 600 * 800 * 3 像素，我的输出为 600 * 800，其中输出中的每个条目都是一个概率。
如何使用卷积神经网络设计管道？我正在使用 Tensorflow。谢谢
详细说明：
基本上我想将每个像素标记为前景或背景（像素为前景的概率）。我的直觉是，在卷积层中，神经元将能够在该像素周围的补丁中获取信息，并最终能够判断出该像素有多大可能是前景。
虽然效率不高，但一个天真的方法可能是将 window（比如 5px x 5px）像素涂成黑色，记录每个输出 class 的概率，然后将 window 滑动一点，然后再次录制。这将重复，直到 window 遍历整个图像。
现在我们有一些有趣的信息。对于每个 window 位置，我们知道与 classifier 接收整个图像时的概率相比，标签上的概率分布的增量。该增量对应于该区域对 class 做出该决定的贡献的数量。
如果出于可视化目的，您希望将其向下映射到每像素级别，您可以在滑动 window 时使用 1 个像素的步长，并将概率增量映射到 window.
请注意，您不想让 window 太小，否则增量会太小而无法产生差异。此外，您可能希望在如何选择 window 的颜色方面更聪明一些，这样 window 本身似乎并不是 classifier 的一个特征。
根据您的阐述进行编辑： 这仍然适用于您正在尝试做的事情。事实上，它甚至变得更好了。您可以将它们相加，而不是将所有标签概率增量分开。这会给你测量值，告诉你 "how much does this region make the image more like a number" （或者换句话说，前景）。此外，您不会针对未覆盖的图像测量增量，而是针对每个标签的 P(x)=0 的概率向量。