単純なセマンティック画像セグメンテーションタスク（つまり、画像の各ピクセルを2つのクラスのいずれかに属するものとして分類する）にCaffeを使用しようとしています。Caffe：セマンティックセグメンテーションの画像データの読み込み方法
私は2つの問題：1）データ準備、2）ネットワークレイヤーの定義がついています。
私はいくつかの例を読むことを試みました。
リンクは有用であるが、彼らは、特に2D画像とセマンティックセグメンテーションには適用されません。
Iは非常に滑らかパイプラインの次のために（も短い）コード例を理解するであろう：
ありがとう！
チュートリアルはまだありませんが、これについてのCaffeマスタースレッドにはがありますが、Caffeでセマンティックセグメンテーションを行うためのチュートリアルがかなりあります。まず、Fully Convolutional Networks masterのチュートリアルと、tutorial on using SegNet（別途GitHub here）のチュートリアルを参照するか、DeepLabを使用する必要があります。これらは、セマンティックセグメンテーションのためにCaffeを使用する最先端の方法です。
より直接あなたの質問に答えるために、
1）データ準備：より最近の深い学習アプローチに興味を示している誰かとして 、あなたはおそらく、データを行うには一つの方法が存在しないことを発見しただろう準備。それらは数学的に可能なもの（最終的に完全に接続されたレイヤーを持つネットワークでは、同じ比率、通常は同じサイズの画像が必要です）とパフォーマンス（平均減算）を向上させるものの両方に依存します。つまり、いくつかのテクニックがあります（この時点で、完全畳み込みネットワークのようにさまざまなスケールの画像を使用することが簡単にできると想定します）。クロップの仕組みを見たい場合は、 CaffeのImageNetチュートリアルのデータ準備についての説明）。 Transformerクラスを使用して、ほとんどの人は、次の操作を行います。セグメンテーションの文脈では
transformer.set_transpose('data', (2,0,1)) # move image channels to outermost dimension
transformer.set_mean('data', mu) # subtract the dataset-mean value in each channel
transformer.set_raw_scale('data', 255) # rescale from [0, 1] to [0, 255]
transformer.set_channel_swap('data', (2,1,0)) # swap channels from RGB to BGR
を、それはあなたがする必要があるすべてです。セマンティックラベルは、画像そのもの（通常）の形をしています。例えば、パスカルVOCカフェの例では、あなたが
n.data, n.label = L.Python(module = 'pascal_multilabel_datalayers', layer = datalayer, ntop = 2, param_str=str(data_layer_params))
としてラベルに読み** 2）ネットワーク層の定義**
ネットワーク層の定義については、ニューラル程度華麗なビットの1つを覚えています入力と出力のほかに、さまざまな種類のデータを扱うことができます。したがって、中間層のすべてが同じになり、実際には入力が同じになります。あなたが最後に必要とするのは、画像に対するクロスエントロピー損失を評価するためのものです。 DeepLabのために、彼らはこれを行う"Interp" layerを書いた。一方、SegNetは"Upsample" layer typeと書いています。これはsoftmaxの前に使って、ラベルと同じサイズのネットワーク出力を作成してから、simply use a Softmax
私はこのすべてに欠点がないと思いますこれをCaffeで正しく行うための明確な方法ですが、うまくいくのは成功例がたくさんあることです。これが役に立ったら