位置: IT常识 - 正文

UNet - unet网络(program status)

编辑:rootadmin
UNet - unet网络

目录

1. u-net介绍

2. u-net网络结构

3. u-net 网络搭建

3.1 DoubleConv

3.2 Down 下采样

3.3 Up 上采样

3.4 网络输出

3.5 UNet 网络

UNet 网络

forward  前向传播

3.6 网络的参数

4. 完整代码


1. u-net介绍

推荐整理分享UNet - unet网络(program status),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网络的优缺点,unet网络的优缺点,描写建筑工人的文章,钆喷酸葡胺和钆贝葡胺的区别,缺氧为什么会引起神经细胞兴奋性降低,3点40的飞机,几点到机场,郝加明教授,钆喷酸葡胺和钆贝葡胺的区别,内容如对您有帮助,希望把文章链接给更多的朋友!

Unet网络是医学图像分割领域常用的分割网络,因为网络的结构很像个U,所以称为Unet

Unet 网络是针对像素点的分类,之前介绍的LeNet、ResNet等等都是图像分类,最后分的是整幅图像的类别,而Unet是对像素点输出的是前景还是背景的分类

注:因为Unet 具体的网络框架均有所不同,例如有的连续卷积后会改变图像的size,有的上采样用的是线性插值的方法。这里只介绍same卷积和上采样用的转置卷积

Unet网络是个U型结构,左边是Encoder,右边为Decoder

左边是下采样的过程,通过减少图像size,增加图像channel来提取特征。

右边是还原图像的过程,上采样将逐步还原图像的size,这里上采样的输入特征图不仅仅是上一步的输出,还包含了左边对应特征信息。

2. u-net网络结构

本章采用的unet网络如图,为了后面数据的训练和预测。这里实现的方式和下图有些细小的区别,具体的会在下面讲解

首先,网络输入图像的size设定为(480,480)的灰度图像(注意:这里输入是单通道的灰度图)

然后经过成对的3*3卷积,将图像的深度加深,变成维度为(64,480,480),这里因为图像的size没有变,又因为kernel_size = 3,stride = 1,因此需要保证padding = 1

接下来是下采样层,先经过一个最大池化层,stride = 2,kernel_size = 2 将图像的size变为原来的一半。然后接两个3*3 的卷积,输出的特征图维度是(128,240,240)

下采样层总共有四次,根据每次下采样都会将图像的size减半,图像的channel翻倍来计算的话。最后一次图像的size = 480 / (2^4) = 30 ,channel = 64 * (2^4) = 1024 ,所以最后一次下采样图像的维度为(1024,30,30)------> 这里和图上不一样,因为后面用的是转置卷积

左边的下采样部分实现后,就是右边的上采样部分

上采样会使图像的channel减半,size变为两倍,正好和下采样的部分反过来。这里利用的操作是转置卷积,转置卷积具体的实现这里不做介绍,主要看它的维度变换。转置卷积变换的公式为:

这里为了保证图像的size变为两倍,所以要保证 out = 2 * in ,而in的系数2只能从stride来,所以公式变为out = 2 * in - 2 - 2 * padding + ksize ,这里我们让ksize = 2,因此padding = 0 就可以满足要求。而channel的减半只需要把卷积核的个数减半即可

之前介绍过,最后一层的维度是(1024,30,30),这样通过转置卷积的操作图像的维度就变成了(512,60,60),刚好等于左边下采样的维度!! 所以将它们加在一块,然后进行成对的3*3卷积

之后就是和下采样的次数一样,重复四次上采样,直到将图像还原成(64,480,480)

最后一步,如果是图像分类的话,这里应该是全连接层找最大的预测值了。但是Unet是像素点的分类,所以最后产生的也是一副图像,因为这时候图像的size已经是480不需要变了,只需要将图像的channel改变,所以这里只需要一个kernel_size = 1的卷积核就可以了。

注:最后输出图像的维度是(480,480)的灰度图像,准确的说是二值图像

3. u-net 网络搭建3.1 DoubleConv

观察unet 网络可以发现,3*3的卷积核都是成对出现的,所以这里将成对卷积核的操作封装成一个类

UNet - unet网络(program status)

1. 因为采用的是两个连续的3*3  卷积,不改变图像的size,所以这里卷积的参数要设置padding=1

2. ResNet 介绍过,BN代替Dropout 的时候,不需要Bias 

3. 最后经过ReLU 激活函数

3.2 Down 下采样

然后定义下采样的操作

1. 这里下采样采用的就是最大池化层,kernel_size = 2,padding =2 会让图像的size减半

2. 然后经过两个连续3*3 的卷积

3. 将 下采样+两个3*3 的卷积 封装成一个新的类Down

3.3 Up 上采样

然后是定义上采样

 

1. 上采样用的是转置卷积,会将图像的size扩大两倍

2.  注意这里不是定义成 Sequential ,因为 Sequential 会从上到下顺序传播。这里还需要一步尺度融合,就是拼接的操作

3. 前向传播的时候,图像首先上采样,会将channel减小一半,size扩大两倍。这样就和左边对应的下采样的位置维度一致,将它们通过torch.cat 拼接,dim = 1是因为batch的维度是0 。然后经过两个3*3 的卷积就行了

3.4 网络输出

最后网络的输出很简单,经过一个1*1 的卷积核,不改变size的情况下。通过卷积核的个数调整图像的channel就行了

3.5 UNet 网络UNet 网络

网络的框架很简单,因为每个小的模块已经搭好了,将它们拼接起来就行了

因为搭建小的模块的时候,我们对于模块的输入都是in和out channel,所以在定义网络的时候,每个模块只要传入对应的channel就行了。

这里按照UNet 网络的框架设置

forward  前向传播

前向传播的过程如下:

在下采样的时候,每个输出都要用变量保存,为了和后面上采样拼接使用

3.6 网络的参数# 计算 UNet 的网络参数个数model = UNet(in_channels=1,num_classes=1)print("Total number of paramerters in networks is {} ".format(sum(x.numel() for x in model.parameters())))

UNet 网络参数个数为:

4. 完整代码

代码:

import torch.nn as nnimport torch# 搭建unet 网络class DoubleConv(nn.Module): # 连续两次卷积 def __init__(self,in_channels,out_channels): super(DoubleConv,self).__init__() self.double_conv = nn.Sequential( nn.Conv2d(in_channels,out_channels,kernel_size=3,padding=1,bias=False), # 3*3 卷积核 nn.BatchNorm2d(out_channels), # 用 BN 代替 Dropout nn.ReLU(inplace=True), # ReLU 激活函数 nn.Conv2d(out_channels,out_channels,kernel_size=3,padding=1,bias=False), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self,x): # 前向传播 x = self.double_conv(x) return xclass Down(nn.Module): # 下采样 def __init__(self,in_channels,out_channels): super(Down, self).__init__() self.downsampling = nn.Sequential( nn.MaxPool2d(kernel_size=2,stride=2), DoubleConv(in_channels,out_channels) ) def forward(self,x): x = self.downsampling(x) return xclass Up(nn.Module): # 上采样 def __init__(self, in_channels, out_channels): super(Up,self).__init__() self.upsampling = nn.ConvTranspose2d(in_channels, in_channels // 2, kernel_size=2, stride=2) # 转置卷积 self.conv = DoubleConv(in_channels, out_channels) def forward(self, x1, x2): x1 = self.upsampling(x1) x = torch.cat([x2, x1], dim=1) # 从channel 通道拼接 x = self.conv(x) return xclass OutConv(nn.Module): # 最后一个网络的输出 def __init__(self, in_channels, num_classes): super(OutConv, self).__init__() self.conv = nn.Conv2d(in_channels, num_classes, kernel_size=1) def forward(self, x): return self.conv(x)class UNet(nn.Module): # unet 网络 def __init__(self, in_channels = 1, num_classes = 1): super(UNet, self).__init__() self.in_channels = in_channels # 输入图像的channel self.num_classes = num_classes # 网络最后的输出 self.in_conv = DoubleConv(in_channels, 64) # 第一层 self.down1 = Down(64, 128) # 下采样过程 self.down2 = Down(128, 256) self.down3 = Down(256, 512) self.down4 = Down(512, 1024) self.up1 = Up(1024, 512) # 上采样过程 self.up2 = Up(512, 256) self.up3 = Up(256, 128) self.up4 = Up(128, 64) self.out_conv = OutConv(64, num_classes) # 网络输出 def forward(self, x): # 前向传播 输入size为 (10,1,480,480),这里设置batch = 10 x1 = self.in_conv(x) # torch.Size([10, 64, 480, 480]) x2 = self.down1(x1) # torch.Size([10, 128, 240, 240]) x3 = self.down2(x2) # torch.Size([10, 256, 120, 120]) x4 = self.down3(x3) # torch.Size([10, 512, 60, 60]) x5 = self.down4(x4) # torch.Size([10, 1024, 30, 30]) x = self.up1(x5, x4) # torch.Size([10, 512, 60, 60]) x = self.up2(x, x3) # torch.Size([10, 256, 120, 120]) x = self.up3(x, x2) # torch.Size([10, 128, 240, 240]) x = self.up4(x, x1) # torch.Size([10, 64, 480, 480]) x = self.out_conv(x) # torch.Size([10, 1, 480, 480]) return x# 计算 UNet 的网络参数个数model = UNet(in_channels=1,num_classes=1)print("Total number of paramerters in networks is {} ".format(sum(x.numel() for x in model.parameters())))
本文链接地址:https://www.jiuchutong.com/zhishi/298952.html 转载请保留说明!

上一篇:【JavaScript】五个常用功能/案例:判断特定结尾字符串 | 获取指定字符串 | 颜色字符串转换 | 字符串转驼峰格式 | 简易购物车(javascripts)

下一篇:Swagger-的使用(详细教程)

  • excel状态栏不见了怎么显示出来(excel2016状态栏不见了)

    excel状态栏不见了怎么显示出来(excel2016状态栏不见了)

  • 苹果充电插口松动(苹果充电插口松怎么处理)

    苹果充电插口松动(苹果充电插口松怎么处理)

  • word文档怎么复制一模一样的(word文档怎么复制表格保持原有格式)

    word文档怎么复制一模一样的(word文档怎么复制表格保持原有格式)

  • qq自动回复怎么弄(qq自动回复怎么关闭)

    qq自动回复怎么弄(qq自动回复怎么关闭)

  • 红米note8pro可以root吗(红米note8pro可以插内存卡吗)

    红米note8pro可以root吗(红米note8pro可以插内存卡吗)

  • oppoa11有没有红外线功能(OPPOA11有没有红外)

    oppoa11有没有红外线功能(OPPOA11有没有红外)

  • 钉钉可以看到学生的屏幕吗(钉钉可以看到学生开悬浮窗吗)

    钉钉可以看到学生的屏幕吗(钉钉可以看到学生开悬浮窗吗)

  • ipadpro只能用原装充电器吗(ipadpro只能用原装数据线)

    ipadpro只能用原装充电器吗(ipadpro只能用原装数据线)

  • 苹果手机充着电玩手机对手机有影响吗(苹果手机充着电玩对电池有影响吗)

    苹果手机充着电玩手机对手机有影响吗(苹果手机充着电玩对电池有影响吗)

  • 华为手机怎么移动桌面图标(华为手机怎么移除黑名单的人)

    华为手机怎么移动桌面图标(华为手机怎么移除黑名单的人)

  • 限制登录状态什么意思(限制登陆是什么意思)

    限制登录状态什么意思(限制登陆是什么意思)

  • 畅享10和畅享10e区别(畅享10和畅享10plus有什么区别)

    畅享10和畅享10e区别(畅享10和畅享10plus有什么区别)

  • 怎样判断路由器是否坏了(怎样判断路由器是否正常)

    怎样判断路由器是否坏了(怎样判断路由器是否正常)

  • iphonexsmax屏幕失灵(iphonexsmax手机屏幕失灵怎么办)

    iphonexsmax屏幕失灵(iphonexsmax手机屏幕失灵怎么办)

  • 骁龙625是几纳米工艺(骁龙625是几纳米处理器)

    骁龙625是几纳米工艺(骁龙625是几纳米处理器)

  • 华为手机wifi认证不弹出(华为手机wifi认证页面)

    华为手机wifi认证不弹出(华为手机wifi认证页面)

  • 乐视手机怎么设置亮度(乐视手机怎么设置青少年模式)

    乐视手机怎么设置亮度(乐视手机怎么设置青少年模式)

  • vue能改时长吗(vue修改时间格式)

    vue能改时长吗(vue修改时间格式)

  • 小米2s怎么不能安装微信(小米2s不支持4g怎么办)

    小米2s怎么不能安装微信(小米2s不支持4g怎么办)

  • 手机怎么传歌到随身听(手机怎么传歌到索尼mp3)

    手机怎么传歌到随身听(手机怎么传歌到索尼mp3)

  • vivox27闪充开关在哪里(vivox27闪充界面)

    vivox27闪充开关在哪里(vivox27闪充界面)

  • p30支持反向充电吗(p30反向充电怎么用)

    p30支持反向充电吗(p30反向充电怎么用)

  • 微信如何把好友一下全删掉  (微信如何把好友隐藏)

    微信如何把好友一下全删掉 (微信如何把好友隐藏)

  • 运营商设置更新关闭(运营商设置更新提醒怎么关闭)

    运营商设置更新关闭(运营商设置更新提醒怎么关闭)

  • Linux下源码安装的经验详解(linux源码安装软件的方法介绍)

    Linux下源码安装的经验详解(linux源码安装软件的方法介绍)

  • 海滩上的三趾鹬,法国布列塔尼大区 (© Fabrice Cahez/Minden Pictures)(三趾鹑是野鸡吗)

    海滩上的三趾鹬,法国布列塔尼大区 (© Fabrice Cahez/Minden Pictures)(三趾鹑是野鸡吗)

  • 总账套打
  • 利润表的期末余额
  • 法人转让股权后还是法人吗
  • 用友U8财务报表UFO怎么生成
  • 优惠政策所得税计算
  • 长期应付款是什么科目 借方
  • 企业年报 工商
  • 公司出租非自有房产
  • 公司出售房产的税费
  • 公司厨房用品专用发票怎么处理?
  • 销售方退款回来要怎么处理?
  • 公对公房产转让税费
  • 进项发票认证多了留抵
  • 原材料什么时候结转成本
  • 出口货物退税率查询
  • 企业名称变更后原名称还能使用吗
  • 消费税组成计税价格成本利润率
  • 工程项目管理人员任命书
  • 从租计征的税率
  • 会计分录如何试算出来的
  • 事业单位接受捐赠的货币资金在财务会计中确认捐赠收入
  • 局域网内如何设置静态ip
  • 赠与合同的法定撤销和任意撤销
  • (Select)解决:Element-ui 中 Select 选择器下拉框样式及输入框样式的修改问题(背景色透明与悬停背景色变化与下拉框边距变化等操作)
  • 印花税申报后怎么缴费
  • 商贸企业销售
  • 贷款损失准备的会计核算
  • 企业支付银行的贷款利息可以税前扣除吗为什么
  • 百度地图api的基本使用
  • php getheader
  • 政府补助财务处理流程
  • 贝纳克波斯图干红葡萄酒
  • 嵌入html
  • 后处理作用
  • vue.js如何安装
  • 史上伟大电影
  • mysql 扩展
  • 知道实发工资怎么算应发工资计算器
  • 季度利润表是累计数吗
  • 企业所得税的成本
  • 房开企业会计分录
  • mysqlreport显示Com_中change_db占用比例高的问题的解决方法
  • 财务报表中存货为负数是什么意思
  • 运费与快递费的区别在哪
  • 自行申报啥意思
  • 应交税金的负数重分类
  • 收到预付款项发票怎么开
  • 固定资产清理的累计折旧怎么算
  • 公司验资报告多少钱
  • 出口退税对应的进项不能抵扣对吗
  • 开具红字增值税专用发票信息表需要盖章吗
  • 企业计提增值税怎么写
  • 公司不按照劳动法给工资怎么办
  • 开具红字发票的当月就要进项税额转出吗?
  • 城镇土地税需要计税吗
  • 领购发票的方式有哪些
  • 私人边际成本怎么算
  • 企业是否必须建立巡察制度
  • 如何设置营业费支付
  • sql提取指定字符串
  • win10的win+tab
  • win7系统硬盘分区类型
  • pull current
  • win7 设置
  • python中scatter函数
  • opengl入门教程
  • npm安装插件失败
  • vue-resource + json-server模拟数据的方法
  • 通过Tabs方法基于easyUI+bootstrap制作工作站
  • android手机传感器应用程序
  • unity2d图片调后一层
  • python 条件变量
  • python matplotlab
  • logcat read failure
  • jquery为什么不火了
  • android 实例教程
  • Unable to connect to zookeeper
  • 2023居民医保怎么交
  • 出口退税的期限是多长
  • 怎么打印个人所得税扣缴申报表
  • 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