卑微菜鸡在这里恳求各位图像视觉的大佬指点一下我，如何解决下面的 bug(有偿也可！欢迎留下联系方式)
问题描述:毕设要做的是用 fcn 做显著性目标识别，大概过程就是用 fcn 做多分类的语义分割，然而结果输出却成了雪花状的图，虽然能看出大概的轮廓。训练过程中 loss 一直在抖动，范围在 0.4 到几之间，不收敛。
自我感觉是在数据处理方面出了问题。 实验室的学姐也没有解决的思路，网上也查不到。迫不得已来 v2 恳求各位大佬。(有偿也可啊！)
我的微信:sy971216200
This topic created in 2201 days ago, the information mentioned may be changed or developed.
 | 1 apostle OP 原图 rgb https://imgchr.com/i/YnBEM8 |
| 2 apostle OP |
| 3 apostle OP ground true https://imgchr.com/i/YnBHeg |
| 4 apostle OP |
 | 5 bug403 May 8, 2020  4 放弃吧，你不写今日头条号太浪费了，写头条号震惊体新闻，你早迎娶白富美了。 |
 | 21 8G May 20, 2020 via iPhone @YOUMA 我知道了，你应该 @我的。我是刚好回来看这个帖子。 它是做了简化的操作，只接受 2D 的输入。会轻便很多。 其中，自定义的一对一连接的自定义层，是基于 keras 源代码中卷积的部分编写的，采用的设计理念是参照了“Alotaibi2017A”论文中的描述，实现了一对一连接的自定义层。 在自定义层的设计部分，将原来 keras 自带的卷积代码中删除了冗余的部分，只支持 2D 数据，然后对 input_dim （数据维度）输入进行切片并进行卷积。 一对一连接，即每个 feature map 与上一层中的 feature map 之间的连接方式都是一对一，这种做法的优势在于通过减少参数的数量，达到大大的降低了计算成本，加快训练的速度的目的。同时，相比于数百万个参数的其他深层模型，我们所拥有的数据集体量相对较小，无法训练所有参数，否则可能会出现 over-fitting （即过度装配）的问题。 在后续的实验中，我们可以清晰地看出模型能够快速且有效的收敛，恰恰是因为由于使用了一对一连接的方式，需要训练的参数数量较小（当然，这个一对一连接不包括全连接层）。 |
Select Language