国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

<track id="wucj5"><video id="wucj5"><tr id="wucj5"></tr></video></track>

<address id="wucj5"><legend id="wucj5"></legend></address>

U-net網(wǎng)絡(luò)詳解

2年前作者：SL1029_分類：Toy博客閱讀(17)違法舉報(bào)

這篇具有很好參考價(jià)值的文章主要介紹了U-net網(wǎng)絡(luò)詳解。希望對大家有所幫助。如果存在錯(cuò)誤或未考慮完全的地方，請大家不吝賜教，您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

論文地址：https://arxiv.org/abs/1505.04597

學(xué)習(xí)視頻：U-Net網(wǎng)絡(luò)結(jié)構(gòu)講解(語義分割)_嗶哩嗶哩_bilibili

整體結(jié)構(gòu)

如下圖，U-net結(jié)構(gòu)為Encoder-Decoder，左邊為Encoder部分，作用是下采樣，右邊為Decoder部分，作用為上采樣

在圖中每一個(gè)長條代表一個(gè)特征層，每一個(gè)箭頭對應(yīng)于一種操作

U-net網(wǎng)絡(luò)詳解

Encoder部分也即下采樣部分

第一步

如下圖，來看左邊部分第一層，藍(lán)色箭頭代表卷積層，卷積核大小為3*3，padding = 0,步長為1，經(jīng)過兩層卷積層大小每經(jīng)過一層減小2，高和寬變成了568*568通道大小變成了64

U-net網(wǎng)絡(luò)詳解

之后經(jīng)過紅色箭頭，表示最大池化層，大小縮小為一半為284*284

第二步

此時(shí)再進(jìn)行2次卷積，將channel翻倍，如下圖得到280*280*128的特征圖

U-net網(wǎng)絡(luò)詳解

然后再經(jīng)過一個(gè)最大池化層得到128*128

第三步

對上面280*280的特征圖繼續(xù)進(jìn)行卷積，得到136*136*256，如下圖

U-net網(wǎng)絡(luò)詳解

再經(jīng)過最大池化層得到68*68的特征圖

第四步

對68*68*256的特征圖繼續(xù)進(jìn)行卷積操作得到64*64*512的特征圖，如下

U-net網(wǎng)絡(luò)詳解

再經(jīng)過最大池化層得到32*32的特征圖

第五步

對32*32*512的特征層進(jìn)行卷積得到28*28*1024的特征層

U-net網(wǎng)絡(luò)詳解

Decoder部分也即上采樣部分

至此下采樣結(jié)束接下來是上采樣，這里上采樣使用的是轉(zhuǎn)置卷積

第一步

圖中綠色箭頭代表上采樣，每一次上采樣會將高和寬擴(kuò)大兩倍，通道數(shù)減半，變成56*56*512，同時(shí)灰色箭頭表示將左邊對應(yīng)部分的特征圖進(jìn)行中心裁剪出一塊與右邊一樣大小，與右邊進(jìn)行拼接，得到56*56*1024的特征圖，然后經(jīng)過3*3大小的卷積，將特征圖通道數(shù)減半，同時(shí)會繼續(xù)縮小高和寬為52*52，最終經(jīng)過這一步的decoder得到52*52*512大小的特征圖

U-net網(wǎng)絡(luò)詳解

接下來進(jìn)行轉(zhuǎn)置卷積將特征圖大小調(diào)整為104*104*256

第二步

此時(shí)與剛剛上采樣的第一步類似，對左邊部分進(jìn)行中心裁剪拼接得到104*104*512，如圖，再進(jìn)行兩層卷積操作得到100*100*256的特征圖

U-net網(wǎng)絡(luò)詳解

接下來進(jìn)行轉(zhuǎn)置卷積將特征圖大小調(diào)整為200*200*128

第三步

此時(shí)與剛剛上采樣的第二步類似，對左邊部分進(jìn)行中心裁剪拼接得到200*200*256，如圖，再進(jìn)行兩層卷積操作得到196*196*128的特征圖

U-net網(wǎng)絡(luò)詳解

接下來繼續(xù)上采樣，使用轉(zhuǎn)置卷積得到392*392*64大小的特征圖

第四步

此時(shí)與剛剛上采樣的第三步類似，對對應(yīng)左邊部分進(jìn)行中心裁剪拼接得到392*392*128，如圖，再進(jìn)行兩層卷積操作得到388*388*64的特征圖，如圖

U-net網(wǎng)絡(luò)詳解

最后進(jìn)行一個(gè)1*1的卷積操作，原論文只有兩個(gè)類別一個(gè)背景一個(gè)是要分割的物體，卷積核個(gè)數(shù)因此為2，最終得到的輸出是388*388*2的分割圖

實(shí)際U-net網(wǎng)絡(luò)

可以看到在原文中，輸入和輸出大小不一樣

U-net網(wǎng)絡(luò)詳解

如圖對于這個(gè)細(xì)胞分割，實(shí)際上要黃色部分的分割圖要用到藍(lán)色框區(qū)域的信息，但是在圖像邊緣往往是沒有這些信息，這時(shí)圖像邊緣信息缺失了，這時(shí)需要鏡像對應(yīng)部分補(bǔ)全缺失信息，才能進(jìn)行分割。而且對于大分辨率的圖像分割時(shí)，往往分割時(shí)要有overlap部分，如下圖。

U-net網(wǎng)絡(luò)詳解

然而，事實(shí)上，當(dāng)今主流U-net網(wǎng)絡(luò)在卷積的時(shí)候會有padding,來保證輸入特征圖大小與輸出特征圖大小一樣，這樣就不需要考慮邊緣缺失問題了。文章來源地址http://www.zghlxwxcb.cn/news/detail-433329.html

到了這里，關(guān)于U-net網(wǎng)絡(luò)詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！

本文來自互聯(lián)網(wǎng)用戶投稿，該文觀點(diǎn)僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務(wù)，不擁有所有權(quán)，不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載，請注明出處：如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符，請點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋，一經(jīng)查實(shí)，立即刪除！

分享到：

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

U-net網(wǎng)絡(luò)學(xué)習(xí)記錄
本質(zhì)上是一個(gè)用于圖像分割的神經(jīng)網(wǎng)絡(luò) 輸入是一幅圖，輸出是目標(biāo)的分割結(jié)果。繼續(xù)簡化就是，一幅圖，編碼，或者說降采樣，然后解碼，也就是升采樣，然后輸出一個(gè)分割結(jié)果。根據(jù)結(jié)果和真實(shí)分割的差異，反向傳播來訓(xùn)練這個(gè)分割網(wǎng)絡(luò) 既然輸入和輸出都是相同大小的圖
2024年02月09日
瀏覽(18)
論文閱讀筆記——SMU-Net:面向缺失模態(tài)腦腫瘤分割的樣式匹配U-Net
論文地址：https://arxiv.org/abs/2204.02961v1 腦膠質(zhì)瘤：https://baike.baidu.com/item/%E8%84%91%E8%83%B6%E8%B4%A8%E7%98%A4/7242862 互信息:https://zhuanlan.zhihu.com/p/240676850 Gram矩陣:https://zhuanlan.zhihu.com/p/187345192 背景：絕大多數(shù)腦腫瘤都可以通過磁共振成像進(jìn)行唯一的鑒別。多模態(tài)MRI的好處：每一種模態(tài)
2024年01月25日
瀏覽(93)
論文學(xué)習(xí)——U-Net: Convolutional Networks for Biomedical Image Segmentation
采用端到端的結(jié)構(gòu)，通過FCN（最后一層仍然是通過卷積完成），最后輸出圖像。通過編碼（下采樣）-解碼（上采樣）形成一個(gè)“U”型結(jié)構(gòu)。每次下采樣時(shí)，先進(jìn)行兩次卷積（通道數(shù)不變），然后通過一次池化層（也可以通過卷積）處理（長寬減半，通道數(shù)加倍）；在每次上
2024年02月13日
瀏覽(21)
基于U-Net網(wǎng)絡(luò)實(shí)現(xiàn)圖像分割
黎長淼，男，西安工程大學(xué)電子信息學(xué)院，2022級研究生研究方向：控制科學(xué)與工程電子郵件：1043626870@qq.com 陳夢丹，女，西安工程大學(xué)電子信息學(xué)院，2022級碩士研究生，張宏偉人工智能課題組研究方向：機(jī)器視覺與人工智能電子郵件：1169738496@qq.com U-Net是2015年提出的一種
2024年02月09日
瀏覽(16)
U-Net網(wǎng)絡(luò)結(jié)構(gòu)解析和代碼解析
在語義分割領(lǐng)域，基于深度學(xué)習(xí)的語義分割算法開山之作是FCN（Fully Convolutional Networks for Semantic Segmentation），而U-Net是遵循FCN的原理，并進(jìn)行了相應(yīng)的改進(jìn)，使其適應(yīng)小樣本的簡單分割問題。U-Net網(wǎng)絡(luò)在醫(yī)療影像領(lǐng)域的應(yīng)用十分廣泛，成為了大多數(shù)醫(yī)療影像語義分割任務(wù)的ba
2024年02月05日
瀏覽(21)
notepad++官網(wǎng)地址 https://notepad-plus-plus.org/；notepad++ 官網(wǎng)地址 https://notepad-plus-plus.org/
notepad++ 官網(wǎng)地址 https://notepad-plus-plus.org/ 今天想進(jìn)官網(wǎng)下載notepad++ ，卻發(fā)現(xiàn)百度搜索官網(wǎng)都是出來很多亂七八糟的，就自己記錄一下 notepad++官網(wǎng)：https://notepad-plus-plus.org/ notepad++項(xiàng)目主頁：https://github.com/notepad-plus-plus/notepad-plus-plus/
2024年02月11日
瀏覽(20)
U-Net網(wǎng)絡(luò)模型改進(jìn)（添加通道與空間注意力機(jī)制）---親測有效，指標(biāo)提升
U-Net網(wǎng)絡(luò)模型（注意力改進(jìn)版本）這一段時(shí)間做項(xiàng)目用到了U-Net網(wǎng)絡(luò)模型，但是原始的U-Net網(wǎng)絡(luò)還有很大的改良空間，在卷積下采樣的過程中加入了通道注意力和空間注意力。常規(guī)的U-net模型如下圖：紅色箭頭為可以添加的地方：即下采樣之間。通道空間注意力是一個(gè)即插即
2024年03月15日
瀏覽(19)
文獻(xiàn)速遞：生成對抗網(wǎng)絡(luò)醫(yī)學(xué)影像中的應(yīng)用——3DGAUnet：一種帶有基于3D U-Net的生成器的3D生成對抗網(wǎng)絡(luò)
給大家分享文獻(xiàn)的主題是生成對抗網(wǎng)絡(luò)（Generative adversarial networks, GANs）在醫(yī)學(xué)影像中的應(yīng)用。文獻(xiàn)的研究內(nèi)容包括同模態(tài)影像生成、跨模態(tài)影像生成、GAN在分類和分割方面的應(yīng)用等。生成對抗網(wǎng)絡(luò)與其他方法相比展示出了優(yōu)越的數(shù)據(jù)生成能力，使它們在醫(yī)學(xué)圖像應(yīng)用中廣受歡
2024年02月02日
瀏覽(24)
圖像分割算法U-net
@[TOC] UNet是一種用于圖像分割任務(wù)的深度學(xué)習(xí)模型，最初由Olaf Ronneberger等人在2015年提出。它的名字來源于其U形狀的網(wǎng)絡(luò)結(jié)構(gòu)。 UNet的主要特點(diǎn)是它使用了編碼器和解碼器結(jié)構(gòu)，其中編碼器部分由一系列卷積層和池化層組成，可以對輸入圖像進(jìn)行特征提取和壓縮。解碼器部分則
2024年01月23日
瀏覽(19)
醫(yī)學(xué)圖像分割綜述:U-Net系列
論文地址代碼地址醫(yī)學(xué)圖像自動(dòng)分割是醫(yī)學(xué)領(lǐng)域的一個(gè)重要課題，也是計(jì)算機(jī)輔助診斷范式的一個(gè)重要對應(yīng)。U-Net是最廣泛的圖像分割架構(gòu)，由于其靈活性，優(yōu)化的模塊化設(shè)計(jì)，并在所有醫(yī)學(xué)圖像模式的成功。多年來，U-Net模型得到了學(xué)術(shù)界和工業(yè)界研究人員的極大關(guān)注。該
2024年02月05日
瀏覽(21)