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

  • 分支机构设立当年是否需要就地预缴企业所得税?
  • 中药和中药饮片效果一样吗
  • 税务局代开发需要盖章吗
  • 开发票第一行
  • 存根联给了客户怎么办
  • 红字信息表跨月撤销有什么影响吗
  • 小规模个体户营业执照一共几个章
  • 金税盘处于报税期是什么意思
  • 公司净资产如何查询
  • 收到的增值税
  • 专票红冲账务处理
  • 科目期初余额的录入需要从上级科目开始
  • 当月确认收入下月开票
  • 旧货如何卖
  • 销售企业需要交的营业税
  • 地址变更工商局上门检查
  • 报表上应交税费是负数是什么意思
  • 外贸出口退税会计和会计区别
  • 新成立企业什么时候有财务报表
  • 职工薪酬核算的内容
  • 银行保证金户利息计算公式
  • 应交税费应交增值税转出未交增值税是什么意思
  • 员工食堂餐费可以税前扣除吗
  • 担保费可以计入什么科目
  • php日期计算器
  • import vue from vue报错
  • 手把手教你win7换主板不重装系统的方法
  • react5
  • 免征个人所得税33种情形
  • 增票的纳税人识别号是啥
  • 投标保证金属于什么费用
  • 残疾人个税减免标准
  • 上年度的企业所得税汇算清缴怎么查询
  • 营业执照筹建是做什么的
  • 企业转让无形资产取得的收益应计入营业外收入
  • 合并报表长投和股本抵消后资产负债表怎么处理
  • mysql字符串字段数据类型
  • 利润表的税金及附加怎么得出来
  • 租赁房屋怎么做账
  • 出口企业有哪些税收
  • 明细分类账户的名称,核算内容及使用方法是什么规定的
  • 车船税手续费返还时间
  • 简易征收需要勾选认证吗
  • 成本费用总额包括营业外支出吗
  • 定额征收个体户如何交所得税
  • 事业单位公务员考试条件
  • 其他权益工具包括交易性金融资产吗
  • 委托加工商品属于什么资产
  • 奖励员工购物卡怎么写
  • 小规模公司用什么成本核算方法
  • 有没有月初发放当月工资的
  • 汇算清缴从业人数平均值怎么算
  • 会计错账的更正方法
  • 年末本年利润怎么转到未分配利润
  • 年末未分配利润总额计算公式
  • 融资租入固定资产的入账价值
  • sqlserver批处理
  • windows防病毒
  • xp系统问题
  • win7系统玩游戏怎么样
  • ai控制器的简称是
  • javascript有哪些类型
  • qt for 安卓
  • opengl自学
  • 详解16型人格
  • 网页设计中span
  • shell 批量删除
  • xml文件的数据如何读取
  • jabsorb笔记_几个小例子第1/2页
  • jquery :not
  • python对文件操作采用的统一
  • 彩票中奖归出钱人还是中奖人
  • 税务局怎么增加购票员
  • 上海税务开户
  • 非居民企业所得税税率
  • 企业对税务局建议
  • 办理税务需要开户许可证吗
  • 代账公司盈利水平如何
  • 云南省国家税务局APP
  • 营改增后如何纳税
  • 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