对于语义图像分割，我知道您通常有一个带有图像的文件夹和带有相应掩码的文件夹。就我而言，我的灰度图像具有尺寸(32、32、32(。面具自然具有相同的尺寸。将标签保存为强度值(值1 =标签1，值2 =标签2等(。总共4个课程。想象一下，我找到了使用Keras Model API构建的模型。我如何知道如何准备我的标签数据，以便该数据被模型接受？这取决于损失功能吗？是否在模型(输入参数(中定义。我是否只添加另一个维度(4、32、32、32(，其中4个代表4个不同的类和一式式代码？
我想构建一个3D卷积神经网络，以进行语义分割，但我无法理解如何在KERAS中正确进食数据。预测输出应该是4通道3D图像，每个通道显示每个像素的概率值属于某个类别。
Input()函数定义给定模型的输入张量的形状。对于3D图像，通常会预期5D张量，例如(None, 32, 32, 32, 1)，其中没有一个是指批处理大小。因此，必须重塑训练图像和标签。KERAS提供to_categorical功能来单热编码标签数据(这是必要的(。发电机的使用有助于进食数据。在这种情况下，我不能使用Keras的成像脂蛋白剂，因为它只能处理RGB和灰度图像，因此必须编写自定义脚本。