深度学习语义分割标签图像独热编码 (one hot encoding)

one-hot encoding (独热编码)

在 loss 的计算时，Pytorch 有些 loss 函数需要 网络的 ouput 与 label 的 shape 相同，因此需要对 label 进行 one-hot encoding

分割中的独热编码示例

python 代码实现

Python 实现的思路

参考 https://discuss.pytorch.org/t/efficient-way-to-one-hot-encode-whole-image-for-semantic-segmentation/75220

网络的输出的 shape 为 ( batch_size, num_classes, h, w );
标签的 shape 为 ( batch_size, 1, h, w );
需要将 shape 表示成 独热编码 的形式：
成 num_classes 个 大小为 ( batch_size, h, w)的全为 1 的 tmplate 张量，将 tmplate中属于该类别的改为 1，其余为 0， 并 reshape 成 (batch_size, 1, h, w), 最后在 第二维对所有的 tmplate张量 concatenate

网络的输出是一个 （batch_size, num_classes, h, w)shape 的张量
label 是一个 (batch_size, 1, h, w)shape 的张量

>># 网络的输出是一个 （batch_size, num_classes, h, w) shape 的张量
>># label 是一个 （batch_size, 1, h, w) shape 的张量
>>def mask2one_hot(label, out):
   """
   label: 标签图像 # （batch_size, 1, h, w)
   out: 网络的输出
   """
   num_classes = out.shape[1] # 分类类别数

   current_label = label.squeeze(1)  #（batch_size, 1, h, w) ---> （batch_size, h, w)

   batch_size, h,w = current_label.shape[0],current_label.shape[1],current_label.shape[2] 


   print(h,w,batch_size)

   one_hots = []
   for i in range(num_classes):
       tmplate = torch.ones(batch_size, h, w) # （batch_size, h, w)
       tmplate[current_label != i] = 0
       tmplate = tmplate.view(batch_size,1,h,w) # （batch_size, h, w) --> （batch_size, 1, h, w)

       one_hots.append(tmplate)

   onehot = torch.cat(one_hots, dim=1) 

   return onehot


import torch
torch.random.manual_seed(100)

>out = torch.rand(4,3,384,544)	# 网络的输出
>label = torch.randint(0,3,(4,1,384,544))	# 图像标签

>oh = mask2one_hot(label,out)
>oh	# shape ---> (4,3,384,544)