1樓：星衡科技
(1).資料預處理。在將影象輸入到UNet網路前，先對影象進行預處理，比如歸一化，標準化等。
(2).資料增強。資料集較少的話可以對影象進行資料增強，比如旋轉，翻轉，平移等
(3).模型訓練收斂。訓練的時候需要看模型是否收斂，可以將train_loss和valid_loss曲線圖畫出來看看。
(4).調節權重。看看白色和黑色的資料量是否是均衡的，資料不均衡的話在計算loss的時候可以設定不同的權重來調節下。
2樓：我也不知道該咋起
可以在預處理上新增相應的資料增強（翻轉，剪下，旋轉等），如資料量較本身較少，可減少網路通道數。另外，目標區域相對較小，可以嘗試focal loss。
3樓：
根據題主展示的兩張影象，感興趣的目標尺寸非常小，在本人最近的實驗中發現，對於尺寸極小的目標，U-Net分割效能很差，分割效果也正如題主圖2所示的樣子。關於這個問題，本人目前也尚未完全解決。為了緩解這個問題，本人借助GoogleNet的思想，使用了不同尺寸的卷積核替代了原始的卷積核，這樣做可以獲得更多解析度的特徵圖，再加上U-Net的跳躍連線操作，能夠融合更多的資訊，結果發現，這樣做之後，在不同尺寸的目標上的分割效能都有提公升。
題主也可以試試引入多尺度資訊試試能否提公升分割效果。
基於自動閾值的影象分割？
飛水狗 傳統分割演算法無非是feature representation和feature space analysis，其中乙個問題說明一下分割基於什麼特徵是什麼就可以了。看你的描述，彩色圖就是color space，灰度圖是intensity。另外演算法最好找準應用場景和適用範圍，這樣解答起來清晰...
Attention機制可以應用在影象分割的改善中嗎？
我說說我對attention的理解吧。Attention有兩種，一種是新增先驗來引入attention，比如你想分割乙隻狗，你可以先檢測出這只狗的bbox後再對這個bbox內的狗進行分割，這就是attention，這個attention是在訓練階段人給的先驗 Bbox 這個實際上也是mask RCN...
當前主流的影象分割研究方向都有哪些？
汪博士 FCN，SSD，Deeplib等以深度學習為基礎的演算法為主流。建議，如果是要做專有的影象分割，這類演算法使用前要稍微慎重些。主要原因就是這些演算法都需要大量標註樣本的支援。 已登出 DeepLab FCN CRF crf as rnn DeepMask Fully Convolutiona...