训练集的SegNet结果（test via test_segmentation.py）
SegNet results of train set (test via test_segmentation.py)
我在自己的数据集上 运行 SegNet（作者 Segnet tutorial）。我通过 test_segmentation.py 看到了很好的结果。
我的问题是我想看到真正的净结果而不是 test_segmentation 自己的着色（通过 类）。
例如，如果我用 2 类 训练了网络，那么在训练之后我不仅会看到 2 种颜色（正如我们在 类 中看到的），而且我们会看到真正的网络颜色分割（ [0.22,0.19,0.3 ....) 网络看到的更亮和更暗]
我希望我能很好地解释自己。感谢您的帮助。
您可以使用 python 脚本来实现您想要的。看看this script.
命令 out = out['argmax']，提取原始输出，因此您可以根据需要获得具有 'lighter and darker' 个值的分割图。
当你说 'real' 网色分割时，我假设你指的是概率图。实际上，最后一层每个 class 都有一张地图；如果您检查 inference.py 中的函数预测，它们将采用 argmax；那是概率最高的通道（代表class）。如果你想得到这些地图，你只需要得到数据而不需要计算argmax；类似于：
predicted = net.blobs['prob'].data
我解决了。解决方案是在 scipy 保存方法中将 cmin 和 cmax 的范围从 0 到 1。例如：scipy.misc.toimage(output, cmin=0.0, amax=1).save(/path/.../image.png)
我在自己的数据集上 运行 SegNet（作者 Segnet tutorial）。我通过 test_segmentation.py 看到了很好的结果。
我的问题是我想看到真正的净结果而不是 test_segmentation 自己的着色（通过 类）。
例如，如果我用 2 类 训练了网络，那么在训练之后我不仅会看到 2 种颜色（正如我们在 类 中看到的），而且我们会看到真正的网络颜色分割（ [0.22,0.19,0.3 ....) 网络看到的更亮和更暗]
我希望我能很好地解释自己。感谢您的帮助。
您可以使用 python 脚本来实现您想要的。看看this script.
命令 out = out['argmax']，提取原始输出，因此您可以根据需要获得具有 'lighter and darker' 个值的分割图。
当你说 'real' 网色分割时，我假设你指的是概率图。实际上，最后一层每个 class 都有一张地图；如果您检查 inference.py 中的函数预测，它们将采用 argmax；那是概率最高的通道（代表class）。如果你想得到这些地图，你只需要得到数据而不需要计算argmax；类似于：
predicted = net.blobs['prob'].data
我解决了。解决方案是在 scipy 保存方法中将 cmin 和 cmax 的范围从 0 到 1。例如：scipy.misc.toimage(output, cmin=0.0, amax=1).save(/path/.../image.png)