我正在尝试实现一个包含5个不同类别的多类别语义分割模型。有些图像拥有所有5个类别的地面真实掩码，有些则没有。例如，下面的图像就包含了所有5个不同类别的地面真实掩码。输入图像描述

我的问题是，如果我有下面这样的图像需要训练，但图像中没有任何类别。我是否应该仍然使用填充了全部零值的5个通道来训练这张图像？这样做能有效地训练模型，减少误报吗？输入图像描述

提前感谢！

回答：

你的直觉很好。

如果你使用所有数据进行训练，模型可能会减少误报；但与此同时，误报的数量也可能会增加，因为模型对你希望在CT扫描中预测的重要类别会变得不那么确定。

为了验证你的假设，你必须使用两个不同的数据集来训练同一个神经网络：

1. 一个包含所有数据的数据集。这里的不平衡性会更大。最终，每个医学分割问题本质上都是高度不平衡的，尤其是当你有未标记任何感兴趣类别的掩码时。在你的情况下，不平衡性更为明显：根据你问题的性质，你的5个类别与背景/感兴趣的类别之间可能存在不平衡。
2. 一个只包含标记了你试图预测的类别的掩码的数据集。

然后，在你的测试集上测试这些模型，看看哪个在处理误报/漏报方面表现得更好。