machine-learning - 网格上的 CNN 回归 - 卷积神经网络的局限性？

Question

我正在使用 CNN 解决(与高能物理相关的)问题。

为了理解这个问题，让我们考虑 these examples here.

左侧是 CNN 的输入，右侧是所需的输出。因此网络应该对输入进行聚类。这种聚类背后的实际算法(即我们如何获得所需的训练输出)非常复杂，我们希望 CNN 能够学习这一点。

我尝试过不同的 CNN 架构，例如类似于 U-net 架构 ( https://arxiv.org/abs/1505.04597 ) 的架构，以及各种卷积层的串联等。

输出总是非常相似(对于所有架构)。 Here you can see some CNN predictions.

原则上，网络表现得相当好，但正如您所看到的，在大多数情况下，CNN 输出由几个直接相邻的填充像素组成，这在真实情况下永远不会(!)发生。

我一直在所有网络中使用均方误差作为损失函数。

您对如何避免这一问题并提高网络性能有什么建议吗？

或者这是 CNN 的一般限制，并且在实践中不可能使用 CNN 解决这样的问题？

非常感谢!

Answer 1

我的建议是分开工作。首先使用 U 形神经网络查找二元分割任务中的激活(如您的论文中所示)，然后对找到的激活进行回归以找到其最终值。根据我的经验，这比对大图像进行回归要好得多，因为正如您所观察到的，MSE 会导致模糊的输出。