用于分割的NiftyNet label_normalization

Question

我用NiftyNet做了一些分段项目。对于Segmentation部分中的Segmentation选项，我的理解是将标签转换为"0,1，.“，对吗？我可能错了。所以我的问题是：

1. 这对我的训练过程有什么影响？如果我的两个标签是"0,1“还是"0,10”，有什么区别吗？
2. 我看到这个标签归一化层只在标签图像上工作，所以我想它不会影响我的推断结果一旦模型被训练。但事实上，我得到了不同的结果与没有Label_normazation。为什么会这样呢？

如果你能帮我解决这些问题，我会非常感激的！

Answer 1

label_normalisation层是为离散分割映射的“地面真相”输入量设计的元素级转换。它主要用于在训练过程中有效地计算分割损失。

例如，两个可能的用例是: 1)我们可以将{0,1,2,3,4}的5类分段标签映射到{0，0，1，1}中，因此很容易创建二进制分割任务；2)对于200类分割问题，我们可以创建一个稀疏矩阵来表示分段映射(标签规范化后)，而不是使用HxWxDx200体素表示内存消耗的二进制映射。

但是在第一种情况下，当缺少用于训练的映射函数时，我们无法恢复原始的标签空间。此时，输出在推理时留在映射的空间中。