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

  • 纳税义务发生时间 纳税期限
  • 技术开发免征增值税吗
  • 甲是乙公司依法设立的分公司
  • 分支机构是否需要进行企业所得税汇算清缴申报
  • 出口退税的报关单当月可以申请退税吗?
  • 资本公积是啥
  • 下列应税项目中,不按次计算征收个人所得税的是
  • 利息收入属于现金流入吗
  • 增值税电子发票怎么开具流程
  • 电子发票可以认证几次
  • 租赁费交税税率是多少
  • 小规模纳税人核定标准
  • 空报税怎么报
  • 不缴地税国税可停票吗?
  • 建筑企业在境外施工税收一共包括几个部分
  • 通发票备注栏写什么内容
  • 一般纳税人所得税率是多少
  • 不得抵扣且未抵扣什么意思
  • 一般纳税人销售货物会计分录
  • 公司购买的商品给别的企业用了,企业所得税能列支吗
  • 进项票一定要专票吗
  • 企业合并报表后为何要抵消盈余公积补提?
  • 政府奖励金额是否要交二次税呢
  • 增值税降税让利给谁
  • 餐饮研发费用确认条件
  • 个人独资企业还是个体户好
  • 上个月印花税少计提了怎么办
  • 印花税减免税额需要做账吗
  • 工程承包款要交多少税
  • linux清理磁盘空间
  • 所得税补税怎么申报
  • php ioc
  • 如何在Windows 11上卸载更新
  • QQExternal.exe是什么进程?QQExternal.exe进程为什么被运行?
  • windows 11预览版
  • PHP:curl_multi_add_handle()的用法_cURL函数
  • 无形资产的所得税处理是按100%还是75%
  • 魅族路由器mini刷机
  • 发票开具的有哪些原则
  • 分公司可以给总公司开发票么
  • 交易性金融资产的账务处理
  • 苍鹭一生可以活多久
  • 工资福利支出包括五险一金吗
  • php动态生成网页
  • php自动化脚本
  • 后端返回图片
  • 开源dap
  • 支付宝是商品吗
  • 所得税多交了不退会不会来查账
  • 速动资产扣除应纳税所得
  • 销售折扣收货方法有哪些
  • sql如何设置远程连接
  • 出纳开的收据找不到了怎么办
  • 贷款计入什么科目
  • 软件研发费用怎么做账
  • 银行理财产品是单利还是复利
  • 房地产开发公司注册资金要求
  • 商业汇票的承兑银行必须具备下列条件
  • 什么是增值税的销项税额
  • 企业支付的产品和物资的原始价格是采购成本中的
  • 退回上年度企业所得税
  • 人力成本工资总额指应发工资
  • mysql死锁的情况
  • 屏蔽系统
  • linux的hostname(主机名)修改详解
  • ie9收藏夹
  • post installation
  • 移动硬盘做win7系统盘
  • win8无法关机一直转圈
  • sendmail邮件服务器在虚拟机的哪个位置
  • win7登录账号
  • Extjs4 关于Store的一些操作(加载/回调/添加)
  • js编程代码
  • python 爬取
  • python import os
  • 实现断点续传的工具软件
  • 深圳前海自贸区医院是三甲吗
  • 深圳税务局工作时间表
  • 税控系统技术维护费抵税怎么申报
  • 车辆购置税完税证明有用吗
  • 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