如何结合不同网络的概率（软）输出并得到硬输出？
How to combine the probability (soft) output of different networks and get the hard output?
我在caffe中分别训练了三个不同的模型，可以得到属于每个class的概率进行语义分割。我想根据我得到的 3 个概率得到一个输出（例如，三个概率的 argmax）。这可以通过 net 模型和 deploy.prototxt 文件进行推断来完成。然后基于最终的软输出，硬输出显示最终的分割。
我的问题是：
- 如何获得这些网络的集成输出？
- 如何
end-to-end三个网络的集成训练？是否有任何资源可以获得帮助？
- 如何根据最终的概率（如
argmax三种概率）得到最终的分割，即软输出？
我的问题听起来可能很基本，对此我深表歉意。我仍在尝试逐步学习。非常感谢您的帮助。
有两种方法（至少我知道）可以解决 (1):
一种是使用pycaffe接口，实例化三个网络，通过它们各自转发一个输入图像，获取输出并执行你想要的任何操作结合所有三个概率。如果您打算使用更复杂的逻辑组合它们，这将特别有用。
另一种方法（不太优雅）是使用 caffe test 并通过每个网络分别处理所有输入，将概率保存到文件中。稍后再结合文件中的概率。
关于你的第二个问题，我从未训练过超过两个权重共享 CNN（siamese 网络）。据我了解，您的网络不共享权重，只共享架构。如果你想端到端地训练所有三个，请看看这个 tutorial made for siamese networks。作者在他们的 prototxt 中定义了两个 paths/branches，将每个分支的层连接到输入数据层，最后是一个损失层。
在你的情况下，你将定义三个分支（每个网络一个），连接输入数据层（检查每个分支是否处理相同的输入或不同的输入，例如，预处理相同的图像differently) 并用 loss 将它们联合起来，类似于教程。
现在，对于最后一个问题，Caffe 似乎有一个 ArgMax layer that may be what you are looking for. If you are familiar with python, you could also use a python layer 可以让你非常灵活地定义如何组合输出概率。
我在caffe中分别训练了三个不同的模型，可以得到属于每个class的概率进行语义分割。我想根据我得到的 3 个概率得到一个输出（例如，三个概率的 argmax）。这可以通过 net 模型和 deploy.prototxt 文件进行推断来完成。然后基于最终的软输出，硬输出显示最终的分割。
我的问题是：
- 如何获得这些网络的集成输出？
- 如何
end-to-end三个网络的集成训练？是否有任何资源可以获得帮助？ - 如何根据最终的概率（如
argmax三种概率）得到最终的分割，即软输出？
我的问题听起来可能很基本，对此我深表歉意。我仍在尝试逐步学习。非常感谢您的帮助。
有两种方法（至少我知道）可以解决 (1):
一种是使用pycaffe接口，实例化三个网络，通过它们各自转发一个输入图像，获取输出并执行你想要的任何操作结合所有三个概率。如果您打算使用更复杂的逻辑组合它们，这将特别有用。
另一种方法（不太优雅）是使用
caffe test并通过每个网络分别处理所有输入，将概率保存到文件中。稍后再结合文件中的概率。
关于你的第二个问题，我从未训练过超过两个权重共享 CNN（siamese 网络）。据我了解，您的网络不共享权重，只共享架构。如果你想端到端地训练所有三个，请看看这个 tutorial made for siamese networks。作者在他们的 prototxt 中定义了两个 paths/branches，将每个分支的层连接到输入数据层，最后是一个损失层。
在你的情况下，你将定义三个分支（每个网络一个），连接输入数据层（检查每个分支是否处理相同的输入或不同的输入，例如，预处理相同的图像differently) 并用 loss 将它们联合起来，类似于教程。
现在，对于最后一个问题，Caffe 似乎有一个 ArgMax layer that may be what you are looking for. If you are familiar with python, you could also use a python layer 可以让你非常灵活地定义如何组合输出概率。