关于使用 Unet 的自动编码器和语义分割答案

【问题标题】：About autoencoder and semantic segmentation using Unet关于使用 Unet 的自动编码器和语义分割
【发布时间】：2022-11-11 00:00:18
【问题描述】：

我正在尝试使用自动编码器预处理 1600 张图像，然后使用权重训练 UNET 进行语义分割。

问题 1：我是否需要使用相同数量的图像进行预训练自编码器和 Unet 以获得最佳 IOU？

问题2：

img_data=[]
path1 = '/content/drive/MyDrive/Colab Notebooks/Skull images'
files=os.listdir(path1)

for i in tqdm(files):
    img=cv2.imread(path1+'/'+i,1)   #Change 0 to 1 for color images
    img=cv2.resize(img,(SIZE, SIZE))
    img_data.append(img_to_array(img))

img_array = np.reshape(img_data, (len(img_data), SIZE, SIZE, 3))
img_array = img_array.astype('float32') / 255

由于 img_array 使用过多的内存，该程序在 google colab 上崩溃。现在如何在不崩溃的情况下做到这一点？图像尺寸为 512*512。

【问题讨论】：

标签： autoencoder semantic-segmentation unet-neural-network

【解决方案1】：

您需要在部分数据集上训练自动编码器，然后使用获得的权重在整个数据集上训练 u-net，尝试将图像调整为 256x256

【讨论】：