前回のトライ*1を拡張して，DAGMの全6カテゴリーの傷をU-Netで学習させてみます．
2カテゴリーで出来たのだから，6カテゴリーでも簡単にできるだろうと思ったのですが，案外苦労しました(汗)

入力画像

DAGM画像を↓↓の様に使いました．

Category	学習	テスト
Class1	1-120	121-150
Class2	1-120	121-150
Class3	1-120	121-150
Class4	1-120	121-150
Class5	1-120	121-150
Class6	1-120	121-150

ソース

学習データ作成: configurate_data.py

データが大きすぎてnumpy.savetxtが例外になってしまった(メモリ不足)為，ファイル出力関数を自作しています．
一行づつファイルオープン & クローズすることで，メモリー消費を減らしています．
当然，処理時間はかかります．

def savetxt(filename, data):
    for i in range(data.shape[0]):
        print(filename + ', line ' + str(i))
        file = open(filename, 'a')     
        file.write('{:.9f}'.format(data[i, 0]))
        for j in range(1, data.shape[1]):
            file.write(',' + '{:.9f}'.format(data[i, j]))
        file.write('\n')
        file.close()

学習: train.py

テスト画像が多くて(30枚 x 6カテゴリ)評価関数の計算でResource exhaustedになりました．
学習画像と同様に，特定数をランダムに抽出して計算するようにしました．

if __name__=='__main__':  

     ...

     # display logs per step
     if epoch % display_step == 0:
          component = defineTestComtents() 
          minitest_x, minitest_y = next_test_set(component)
          cost_val = sess.run(cost, feed_dict={x: minitest_x, y: minitest_y, input_size: batch_size})

結果

f:id:changlikesdesktop:20190826060507p:plain:w500
ネットワーク入出力
上段: 左から，入力画像，Class1のラベル，Class2のラベル，，，Class6のラベル
下段: 左から，Class1の検出結果，Class2の検出結果，，，Class6の検出結果