代码错误
您的代码中存在多个错误：
- 您不应
tf.nn.sigmoid_cross_entropy_with_logits
使用softmax层的输出进行调用，而应使用未 缩放的logits进行调用 ：
警告：此操作期望未缩放的logit，因为它在内部对logit执行softmax以提高效率。不要使用softmax的输出来调用该操作，因为这会产生错误的结果。
实际上，由于您有2个类，因此应使用softmax的损失，使用
tf.nn.softmax_cross_entropy_with_logits
使用时
tf.argmax(pred, 1)
，仅将argmax应用于轴1，即输出图像的高度。您应该tf.argmax(pred, 3)
在最后一个轴（尺寸为2）上使用。- 这可以解释为什么您获得0.99的准确性
- 在输出图像上，它将使argmax超过图像的高度，默认情况下为0（因为每个通道的所有值均相等）
型号错误
最大的缺点是您的模型通常 很难 优化。
- 您的softmax超过40,000个课程，这是巨大的。
- 您不会完全利用要输出图像的事实（预测前景/背景）。
- 例如，预测2,345与预测2,346和预测2,545高度相关，但是您没有考虑到这一点
我建议先阅读一些有关语义细分的内容：
- 本文：用于语义分割的全卷积网络
- 这些来自CS231n（斯坦福大学）的幻灯片：尤其是有关上采样和去卷积的部分
推荐建议
如果您想使用TensorFlow，则需要从小处着手。首先尝试一个可能包含1个隐藏层的非常简单的网络。
您需要绘制张量的所有形状，以确保它们与您的想法相对应。例如，如果进行了绘制
tf.argmax(y, 1)，您将意识到形状
[batch_size,200, 2]不是预期的
[batch_size, 200, 200]。
TensorBoard是您的朋友，您应该尝试在此处绘制输入图像以及预测，以查看它们的外观。
尝试使用10个图像的非常小的数据集进行较小的尝试，看看是否可以过拟合并预测几乎准确的响应。
总而言之，我不确定我的所有建议，但是值得尝试，我希望这对您的成功道路有所帮助！
