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)

  • applewatch单手辅助触控怎么打开(苹果手表辅助触控手势怎么用)

    applewatch单手辅助触控怎么打开(苹果手表辅助触控手势怎么用)

  • 微信被删除好友怎么找回(微信被删除好友怎么分辨)

    微信被删除好友怎么找回(微信被删除好友怎么分辨)

  • qq音乐会员下载的歌曲是永久的吗(qq音乐会员下载歌曲怎么保存到本地)

    qq音乐会员下载的歌曲是永久的吗(qq音乐会员下载歌曲怎么保存到本地)

  • 华为mate20pro可以用无线充电吗(华为mate20pro可以扩展内存吗)

    华为mate20pro可以用无线充电吗(华为mate20pro可以扩展内存吗)

  • 苹果7小圆点在哪里设置(苹果7小圆点在哪里设置出来)

    苹果7小圆点在哪里设置(苹果7小圆点在哪里设置出来)

  • 华为微信夜间模式怎么设置(华为微信夜间模式怎么设置回来)

    华为微信夜间模式怎么设置(华为微信夜间模式怎么设置回来)

  • 京东返修一般多久能送回来(京东返修多久)

    京东返修一般多久能送回来(京东返修多久)

  • tmp可以删吗(windows tmp可以删除吗)

    tmp可以删吗(windows tmp可以删除吗)

  • 荣耀30pro尺寸(荣耀30pro尺寸多少)

    荣耀30pro尺寸(荣耀30pro尺寸多少)

  • 描述文件与设备管理不见了(描述文件与设备管理里面的软件删除不了)

    描述文件与设备管理不见了(描述文件与设备管理里面的软件删除不了)

  • 华为手机不能快速充电了怎么回事(华为哪款手机不卡)

    华为手机不能快速充电了怎么回事(华为哪款手机不卡)

  • 域名中的后缀gov代表(域名中的后缀cn代表)

    域名中的后缀gov代表(域名中的后缀cn代表)

  • 微信可以发几秒的视频(微信可以发几秒语音)

    微信可以发几秒的视频(微信可以发几秒语音)

  • 拼多多绑定支付宝怎么解(拼多多绑定支付宝吗)

    拼多多绑定支付宝怎么解(拼多多绑定支付宝吗)

  • 3600带核显吗(r53600带核显吗)

    3600带核显吗(r53600带核显吗)

  • 快手怎么取关封号的人(快手怎么取关封号的)

    快手怎么取关封号的人(快手怎么取关封号的)

  • 设计制图用i5还是i7(设计制图用i5还是i5好)

    设计制图用i5还是i7(设计制图用i5还是i5好)

  • 华为p20gps在哪里打开(华为p20gps信号不好怎么办)

    华为p20gps在哪里打开(华为p20gps信号不好怎么办)

  • qq浏览器自定义皮肤(qq浏览器自定义ua)

    qq浏览器自定义皮肤(qq浏览器自定义ua)

  • vivoz3i有闪充吗(vivoz3i标准版闪充在哪里设置)

    vivoz3i有闪充吗(vivoz3i标准版闪充在哪里设置)

  • 华为5g手机是什么型号(华为5g手机是什么处理器)

    华为5g手机是什么型号(华为5g手机是什么处理器)

  • .env 文件(env文件夹是什么文件)

    .env 文件(env文件夹是什么文件)

  • 如果电脑中毒了,怎么解决?(如果电脑中毒了,航佳进销存还能使用吗)

    如果电脑中毒了,怎么解决?(如果电脑中毒了,航佳进销存还能使用吗)

  • powerpnt.exe是什么进程 powerpnt进程查询(powergenie是什么程序)

    powerpnt.exe是什么进程 powerpnt进程查询(powergenie是什么程序)

  • 微信支付宝等三方支付平台余额属于货币资金吗
  • 会计账簿错弊有哪些
  • 实际缴纳的税款怎么算
  • 附加税减半征收政策从什么时候开始
  • 自行研发无形资产暂时性差异
  • 外汇结汇的方法有哪些呢?
  • 平销返利如何开红字发票
  • 生产车间人员工资属于什么费用
  • 结转增值税销项的账务处理
  • 收到结算单应该怎么处理
  • 企业购入投资性房地产
  • 认缴制下实收资本如何缴纳印花税
  • 退税勾选后如何开红字
  • 业务招待费中的营业收入包括哪些
  • 法人一证通年费缴费
  • 企业间借款利息开票税目
  • 购买免税苗木抵税分录
  • 小规模企业记账软件哪个好
  • 公司名下的车怎么上牌
  • 微软推出windows1
  • 收到的投资属于什么科目
  • 怎么样防止蹭wi-fi
  • 新浪怎么样了
  • php字符串定义的三种方式
  • 期间费用计入产后成本吗
  • 前端登录退出怎么操作
  • 工业企业制造费用核算范围
  • 存货的期末计价方法是遵循哪个信息质量原则
  • 企业投资入股要交企业所得税吗
  • 公司租房子 房东让我们代缴税
  • 发票收款人和复核人,开票人没填影响报销吗
  • 低值易耗品摊销表格
  • vue2和vue3面试题
  • 金税盘锁死状态
  • tokenizer.encode、tokenizer.tokenize、tokenizer.encode_plus的用法差异
  • php考试时间倒计时
  • php 截断
  • 股权转让税收规定
  • 事业单位电费应该谁交
  • 停车费计税
  • php运行乱码怎么办
  • python怎么查看文件路径
  • 怎么向银行申请贷款
  • 好用的微信小程序邮箱有哪些
  • 小规模申请一般纳税人怎么申请
  • 公对私转账没有到账怎么查询
  • 现金流量表直接法的优缺点
  • 不得从销项税额中抵扣的进项税额,不得计提加计抵减额
  • 账面价值大于计税基础是调增还是调减
  • 预收账款的账务处理
  • 内账应付账款怎么做账
  • 固定资产没有折旧完要转走会计科目
  • 商业承兑汇票风险高吗
  • 实收资本有关会计科目
  • 公允价值变动损益和投资收益区别
  • 开外管证再省外能办理吗
  • 当月销售次月开票成本怎么结转
  • 销售额营业收入是指一年还是一个月
  • 收入与费用配比也就是费用要由收入补偿
  • 管理费用和财务费用属于什么科目
  • 两家公司
  • 出表的好处
  • 会计循环属于什么流程
  • sqlserver性能优化方案
  • sqlserver获取当前年
  • docker untagged
  • win7怎么添加自启动程序
  • windows自动启动设置
  • windows xp系
  • linux充当虚拟内存的是哪个分区
  • 听歌播放失败什么意思
  • linux如何结束正在运行的进程
  • opengl控件库
  • nodejs怎么安装npm
  • css 3
  • perl 教程
  • 人物动画声音随声而动
  • activity之间的数据回传
  • jquery添加删除属性
  • 小规模纳税人开专票需要交税吗
  • 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