位置: IT常识 - 正文

unet网络详解(unet网络的优缺点)

编辑:rootadmin
unet网络详解 Unet参考文献:U-Net: Convolutional Networks for Biomedical Image Segmentation作者:Olaf Ronneberger, Philipp Fischer, and Thomas Brox什么是Unet模型

推荐整理分享unet网络详解(unet网络的优缺点),希望有所帮助,仅作参考,欢迎阅读内容。

文章相关热门搜索词:Unet网络详解,unnet,Unet网络详解,Unet网络详解,unet fcn,Unet网络详解,unet网络介绍,unet网络的优缺点,内容如对您有帮助,希望把文章链接给更多的朋友!

Unet是一个优秀的语义分割模型,其主要执行过程与其它语义分割模型类似。与CNN不同的之处在于CNN是图像级的分类,而unet是像素级的分类,其输出的是每个像素点的类别。

Unet损失函数

主要部分:softmax激活函数 + 带权重的交叉熵损失函数 + 权重计算函数

softmax激活函数

softmax激活函数将每个像素点的输入特征与权重做非线性叠加。每个像素点经过softmax的处理后产生的输出值个数等于标签里的类别数。softmax将每个像素点的输出值变换成值为正且和为1的概率分布,从而得到每个像素点中每个类的置信度。

交叉熵损失函数

交叉熵损失函数:用来衡量两个概率分布差异的测量函数

在上式中,yc表示样本的真实分布,其值要么为0,要么为1,Pc表示样本的预测分布。

本论文使用的是带边界权重的交叉熵损失函数:

p是经softmax处理后的输出值;

l :Ω → {1, . . . , K},是每个像素的真实标签;

pl(x)(x):点x在对应的label给出的那个类别的输出的激活值。

w : Ω → R 是在训练过程中添加给每个像素的权重 。

权重计算函数

w(x)这个公式主要参考正态分布的式子。 wc(x)是预先计算每个地面真值分割,用来补偿训练数据集中每个类别的像素的不同频率; d1是距离最近细胞边界的距离 d2是距离第二近细胞边界的距离

当d1、d2都等于0时,后面部分有最大值,且d1、d2越小,后面部分越大,即整个权重越大。当d1、d2越小,意味着越靠近细胞边界,细胞边界所占的权重越大,可以迫使网络学习。

unet网络详解(unet网络的优缺点)

权重的作用:权重可以调整图像中某个区域的重要程度,在计算损失的过程中,给两个细胞重合的边缘部分增加了损失的权重,以此让网络更加注重这类重合的边缘信息。

总结:首先使用softmax操作得到每个类的置信度,然后使用交叉熵来衡量预测和标号之间的差距。

Unet主要结构

Unet可以分为三个部分,如上图所示:

第一部分是主干特征提取部分,我们可以利用主干部分获得一个又一个的特征层,Unet的主干特征提取部分与VGG相似,为卷积和最大池化的堆叠。利用主干特征提取部分我们可以获得五个初步有效特征层,在第二步中,我们会利用这五个有效特征层可以进行特征融合。

第二部分是加强特征提取部分,我们可以利用主干部分获取到的五个初步有效特征层进行上采样,并且进行特征融合,获得一个最终的,融合了所有特征的有效特征层。

第三部分是预测部分,我们会利用最终获得的最后一个有效特征层对每一个特征点进行分类,相当于对每一个像素点进行分类。

主干特征提取网络

Unet的主干特征提取部分由卷积层+最大池化层组成,整体结构与VGG类似。

当输入的图像大小为512x512x3的时候,具体执行方式如下: 1、conv1:进行两次[3,3]的64通道的卷积,获得一个[512,512,64]的初步有效特征层,再进行2X2最大池化,获得一个[256,256,64]的特征层。 2、conv2:进行两次[3,3]的128通道的卷积,获得一个[256,256,128]的初步有效特征层,再进行2X2最大池化,获得一个[128,128,128]的特征层。 3、conv3:进行三次[3,3]的256通道的卷积,获得一个[128,128,256]的初步有效特征层,再进行2X2最大池化,获得一个[64,64,256]的特征层。 4、conv4:进行三次[3,3]的512通道的卷积,获得一个[64,64,512]的初步有效特征层,再进行2X2最大池化,获得一个[32,32,512]的特征层。 5、conv5:进行三次[3,3]的512通道的卷积,获得一个[32,32,512]的初步有效特征层。

为什么是572x572,不是512x512?

因为图像边界的图像块没有周围像素,卷积会使图像边缘处的信息丢失,因此要对周围像素采用了镜像扩充。

加强特征提取结构

利用第一步我们可以获得五个初步的有效特征层,在加强特征提取网络这里,我们会利用这五个初步的有效特征层进行特征融合,特征融合的方式就是对特征层进行上采样并且进行堆叠。

为了方便网络的构建与更好的通用性,我们的Unet和上图的Unet结构有些许不同,在上采样时直接进行两倍上采样再进行特征融合,最终获得的特征层和输入图片的高宽相同。

利用特征获得预测结果

利用特征获得预测结果的过程为: 利用一个1x1卷积核进行通道调整,将最终特征层的通道数调整成num_classes。

代码复现

数据集:ISBI

模型训练:

测试集:

本文链接地址:https://www.jiuchutong.com/zhishi/290763.html 转载请保留说明!

上一篇:COCO数据集的介绍和使用(coco2017数据集介绍)

下一篇:LIO-SAM学习与运行测试数据集

  • 偷税行为五年后被发现要接受行政处罚吗?
  • 税收优惠政策有什么好处
  • 网络贷款需要缴纳保证金吗
  • 测绘费开票需备注吗
  • 生产能量计入固定成本
  • 待抵扣进项税什么时候抵扣
  • 小额存款账户管理费
  • 错误的累计折旧结转会计分录如何调整
  • 确认以前年度收入怎么做账
  • 固定资产暂估折旧能税前扣除吗
  • 出售资产时递延所得税怎么处理
  • 固定资产计提折旧的方法
  • 以前年度损益是所有者权益吗
  • 公司对外借款怎么做账
  • 甲供材的范围
  • 劳动合同中的劳动报酬标准
  • 汽车用品包含
  • 会议费需要什么资料
  • 个人装卸费如何开票
  • 红字发票需要盖章子吗
  • 子女继承房地产怎么交税
  • 企业的资金怎么使用
  • 长期待摊费用账户按用途和结构分类应属于
  • 公司账上的存货是怎么来的
  • 垫付按揭保证金怎么做账
  • 调整期初数怎么做会计分录
  • 向客户的续期相关通知
  • 车船税在哪个科目下
  • 企业收到应收账款6要素哪个增加哪个减少
  • 小规模纳税人可以开专票吗
  • 直接人工成本的计算
  • 穿越火线真人版宣传片
  • 会计主要做些啥
  • 冲回存货跌价准备
  • npm sill idealTree buildDeps 安装踩坑指南(详细版)
  • 腾讯电脑管家浏览器保护在哪
  • php入门基础教程
  • Win11安装失败怎么办
  • 政策性搬迁损失扣除年度
  • 意外保险费是什么意思
  • 没收入长期待摊怎么办
  • 专家坐诊信息
  • vue开发教程
  • 路由vue-router
  • vue路由跳转携带参数怎么接收
  • 预付账款的会计处理
  • 5 分钟速通 SVG
  • 个人发票抬头和公司发票抬头有什么区别
  • 固定补贴是否属于社保
  • 人民币报关可以收美金吗
  • sqlserver获取uuid
  • 跨年预收账款被税局要求确认收入怎么交增值税
  • 什么叫房屋租购同权
  • 私车公用的风险防范
  • 出口退税分类管理三类企业
  • 出口退税包括
  • 固定资产不能使用了怎么处理
  • 会计怎么核对出纳的日记账
  • 外汇账户开立成功后,开户行应于
  • sqlserver怎么用
  • 数据库 mysql
  • 系统死锁或资源管理器崩溃时让xp系统自动重启的方法
  • slserv.exe - slserv进程是什么意思
  • 笔记本win8.1怎么重装系统
  • mac如何备份到icloud
  • linux删除后恢复
  • windows8设置自动关机
  • win8系统如何关闭防火墙
  • opengl 位图
  • css网页布局在线生成
  • vtune自动安装脚本分享
  • jsoni
  • jquery的问题
  • js检查邮箱格式
  • 如何查政审合不合格
  • 销售哪些产品需要基金从业资格证?
  • 国家税务总局2016年17号公告
  • 住宅区地下车位产权归属
  • 苏州汇川和深圳汇川那个好
  • 国家税务总局上海税务局(个人)
  • 免责声明:网站部分图片文字素材来源于网络,如有侵权,请及时告知,我们会第一时间删除,谢谢! 邮箱:opceo@qq.com

    鄂ICP备2023003026号

    网站地图: 企业信息 工商信息 财税知识 网络常识 编程技术

    友情链接: 武汉网站建设