Я пробую мультиклассовую семантическую сегментацию в Keras. Прямо сейчас я использую архитектуру Unet, и у меня есть модель, похожая на эту (но более глубокую):
inputs = Input(shape=(512,512,3))
# 128
down1 = Conv2D(32, (3, 3), activation='relu', padding='same')(inputs)
down1 = BatchNormalization()(down1)
down1 = Dropout(0.1)(down1)
down1 = Conv2D(32, (3, 3), padding='same', activation='relu')(down1)
down1 = BatchNormalization()(down1)
down1_pool = MaxPooling2D((2, 2))(down1)
center = Conv2D(64, (3, 3), padding='same', activation='relu')(down1_pool)
center = BatchNormalization()(center)
center = Dropout(0.1)(center)
center = Conv2D(64, (3, 3), padding='same', activation='relu')(center)
center = BatchNormalization()(center)
# center
up1 = concatenate([Conv2DTranspose(32, (2, 2), strides=(2, 2), padding='same')(center), down1], axis=3)
up1 = Conv2D(32, (3, 3), padding='same', activation='relu')(up1)
up1 = BatchNormalization()(up1)
up1 = Dropout(0.1)(up1)
up1 = Conv2D(32, (3, 3), padding='same', activation='relu')(up1)
up1 = BatchNormalization()(up1)
# 128
classify = Conv2D(3, (1, 1), activation='softmax')(up1)
model = Model(inputs=inputs, outputs=classify]
model.compile(optimizer=Adam(lr=lr), loss='categorical_crossentropy, metrics=[losses.dice_coeff])
Мой набор данных состоит из 680 тыс. Изображений (512, 512, 3) и 680 тыс. Соответствующих меток. Этикетки имеют горячую кодировку и имеют форму (512, 512, 3), то есть 3 класса.
И затем мой вопрос (ы): это правильный способ настроить мою модель? Или я должен использовать активацию «сигмоид» и «двоичную кроссентропию»?