UNet/UNet++多类别分割

本文是一个UNet/UNet++多类别分割的实操，不介绍原理。
本文使用的代码: https://github.com/zonasw/unet-nested-multiple-classification

运行demo

1. 下载代码：git clone https://github.com/zonasw/unet-nested-multiple-classification.git
2. 下载demo数据集(或者从百度网盘下载，提取密码: dq7j)并解压到data文件夹中，该数据集中包含checkpoints, images, masks, test四个文件夹，其中images是图像数据集，masks是该数据集对应的标签，test是测试数据，checkpoints是在该数据集上预训练的模型。
3. 训练 python train.py
4. 推理 python inference.py -m ./data/checkpoints/epoch_10.pth -i ./data/test/input -o ./data/test/output

该数据集包含1500张128x128的图像，图像是程序生成的，包含三种类别： 背景、圆形、矩形，如下：

该模型识别背景，圆形，矩形三种类别，使用如下图像进行推理:

得到的推理结果为三个图像，这三个图像分别是背景、圆、矩形(白色像素为预测结果)：

该数据集是由程序生成的，图像对应的标签是一个8位的单通道图像，值为相应的类别索引。

关于标签

假设有如下图像，该图像是一个10x10大小的图像，图像周围是空白背景，中心位置是一个圆形:

该图像包含两个类别，背景和圆，则背景位置对应的标签的像素值应该为0，圆对应的标签像素值应该为1，像下面这样:
0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0
0    0    0    1    1    1    1    0    0    0
0    0    1    1    1    1    1    1    0    0
0    0    1    1    1    1    1    1    0    0
0    0    1    1    1    1    1    1    0    0
0    0    1    1    1    1    1    1    0    0
0    0    0    1    1    1    1    0    0    0
0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0
由于该标签图像的值只包含0和1，所以它看起来整个图都是黑色的。

由于标签图像是8位的单通道图像，所以该方法支持最多256种类别。

损失函数

在计算多类别任务损失时，最开始是使用了交叉熵损失函数，交叉熵损失函数容易受到类别不平衡影响，后来改用了一种基于IOU的损失函数lovaszSoftmax，效果显著提升。