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

  • 租赁负债的计税基础
  • 一般纳税人租赁费税率5%是简易征收吗?
  • 可供出售金融资产和交易性金融资产
  • 销项发票导出格式不对怎么办
  • 生产车间安装监控的目的
  • 去银行提取备用金开支票怎么填
  • 政府补助款提现流程
  • 银行有误退款分录怎么写
  • 没有认缴时间的公司
  • 财务申报工资和实际发工资
  • 小规模纳税人需要交哪些税
  • 税盘没有抄报各月,有罚款吗
  • 审计风险可控吗
  • 关联方转移定价注意问题
  • 展览费怎么开票
  • 法人给公司基本户打款
  • 销货成本销货成本是什么类账户
  • 工资五险一金缴费标准是多少
  • 股东变更交印花税会计分录
  • 王者荣耀中吕布的克星
  • iphone微信透明壁纸怎么设置
  • 产品作为样品账务处理
  • 收到税费返还是什么现金流量
  • 企业所得税预缴可以不交吗
  • 客运企业安全费用提取标准
  • 国有企业上缴利润的账务处理怎么处理?
  • 苹果取消macbook
  • 房地产资质代理公司排名
  • 换购商品分录怎么做
  • 加班车费报销计入什么科目
  • 装修费预付款会计分录
  • uniapp监听网络状态
  • 辞退员工补偿标准是n+1还是2n
  • 小规模纳税人企业所得税税收优惠政策
  • javascript手机编程
  • 资产月报是会计报还是出纳报
  • 浅谈建筑地基基础加固施工技术亲
  • python中的sum函数怎么用
  • 企业应纳税所得额是指什么
  • 非货币性资产交换和债务重组的区别
  • 挂靠设计公司费用标准怎么记账
  • 调整多计提的工资
  • 无形资产摊销是什么会计科目
  • 在SQL Server中使用存储过程的优点包括
  • 个体户一年能开多少票不用交税
  • 什么内容的发票可以报销
  • 印花税申报成功未扣款还能更正吗
  • 临时工工资会计凭证
  • 当月的银行日记账漏计怎么办
  • 生产企业出口退税政策
  • 本年利润要结转吗为什么
  • 电信增值服务费会计科目
  • 销售出库和产品入库有什么关系
  • 以前年度应付款少记怎么入账
  • 专项应付款的账务处理营业外收入
  • 电子商务会计怎么样
  • 应收账款坏账准备借贷方向
  • 收付实现制与权责发生制的例题
  • 收到个人退回的社保费,怎样做分录
  • 会计总账怎么登账
  • sqlserver2000数据库连接不上
  • cool file viewer pro是什么软件
  • ubuntu20.4分区
  • bootcamp您的磁盘未能分区
  • Linux系统配置IP地址
  • win8隐藏的文件夹怎么找出来
  • win10提示空闲计时器已过期
  • 文科生也能看懂的电子电路学PDf
  • 图像unit8
  • android launchers
  • Eclipse运行快捷键
  • JavaScript中OnLoad几种使用方法
  • jQuery插件是什么
  • jquery有自定义选择器吗
  • 3.5车船税2400还是3000
  • 电子税务推广工作内容
  • 净化水服务税务分类
  • 税务师报考条件和时间2021湖北
  • 四川税务2021
  • 甘肃税务厅
  • 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