设计神经网络的一般步骤

设计框架
设计骨干网络

Unet网络设计的步骤

设计Unet网络工厂模式
设计编解码结构
设计卷积模块
unet实例模块

Unet网络最重要的特征

编解码结构。
2. 解码结构，比FCN更加完善，采用连接方式。
3. 本质是一个框架，编码部分可以使用很多图像分类网络。

示例代码

import torch
import torch.nn as nnclass Unet(nn.Module):#初始化参数：Encoder,Decoder,bridge#bridge默认值为无，如果有参数传入，则用该参数替换Nonedef __init__(self,Encoder,Decoder,bridge = None):super(Unet,self).__init__()self.encoder = Encoder(encoder_blocks)self.decoder = Decoder(decoder_blocks)self.bridge = bridgedef forward(self,x):res = self.encoder(x)out,skip = res[0],res[1,:]if bridge is not None:out = bridge(out)out = self.decoder(out,skip)return out
#设计编码模块
class Encoder(nn.Module):def __init__(self,blocks):super(Encoder,self).__init__()#assert:断言函数，避免出现参数错误assert len(blocks) > 0#nn.Modulelist（）：模型列表，所有的参数可以纳入网络，但是没有forward函数self.blocks = nn.Modulelist(blocks)def forward(self,x):skip = []for i in range(len(self.blocks) - 1):x = self.blocks[i](x)skip.append(x)res = [self.block[i+1](x)]#列表之间可以通过+号拼接res +=  skipreturn res
#设计Decoder模块
class Decoder(nn.Module):def __init__(self,blocks):super(Decoder, self).__init__()assert len(blocks) > 0self.blocks = nn.Modulelist(blocks)def ceter_crop(self,skips,x):_,_,height1,width1 = skips.shape()_,_,height2,width2 = x.shape()#对图像进行剪切处理，拼接的时候保持对应size参数一致ht,wt = min(height1,height2),min(width1,width2)dh1 = (height1 - height2)//2 if height1 > height2 else 0dw1 = (width1 - width2)//2 if width1 > width2 else 0dh2 = (height2 - height1)//2 if height2 > height1 else 0dw2 = (width2 - width1)//2 if width2 > width1 else 0return skips[:,:,dh1:(dh1 + ht),dw1:(dw1 + wt)],\x[:,:,dh2:(dh2 + ht),dw2 : (dw2 + wt)]def forward(self, skips,x,reverse_skips = True):assert len(skips) == len(blocks) - 1if reverse_skips is True:skips = skips[: : -1]x = self.blocks[0](x)for i in range(1, len(self.blocks)):skip = skips[i-1]x = torch.cat(skip,x,1)x = self.blocks[i](x)return x
#定义了一个卷积block
def unet_convs(in_channels,out_channels,padding = 0):#nn.Sequential：与Modulelist相比，包含了forward函数return nn.Sequential(nn.Conv2d(in_channels, out_channels, kernal_size = 3, padding = padding, bias = False),nn.BatchNorm2d(outchannels),nn.ReLU(inplace = True),nn.Conv2d(in_channels, out_channels, kernal_size=3, padding=padding, bias=False),nn.BatchNorm2d(outchannels),nn.ReLU(inplace=True),)
#实例化Unet模型
def unet(in_channels,out_channels):encoder_blocks = [unet_convs(in_channels, 64),\nn.Sequential(nn.Maxpool2d(kernal_size = 2, stride = 2, ceil_mode = True),\unet_convs(64,128)), \nn.Sequential(nn.Maxpool2d(kernal_size=2, stride=2, ceil_mode=True), \unet_convs(128, 256)),nn.Sequential(nn.Maxpool2d(kernal_size=2, stride=2, ceil_mode=True), \unet_convs(256, 512)),]bridge = nn.Sequential(unet_convs(512, 1024))decoder_blocks = [nn.conTranpose2d(1024, 512), \nn.Sequential(unet_convs(1024, 512),nn.conTranpose2d(512, 256)),\nn.Sequential(unet_convs(512, 256),nn.conTranpose2d(256, 128)), \nn.Sequential(unet_convs(512, 256),nn.conTranpose2d(256, 128)), \nn.Sequential(unet_convs(256, 128),nn.conTranpose2d(128, 64))]return Unet(encoder_blocks,decoder_blocks,bridge)

全卷积神经网路【U-net项目实战】论文中U-Net网络实现相关推荐

全卷积神经网路【U-net项目实战】U-Net源码上实现自己数据集的分割任务
文章目录环境: 数据集准备: 主要代码: 接下来是训练,此处将训练和测试分开在两个.py文件中,好调用! 接下来就是愉快的测试了:main_test.py 测试结果部分展示:(裂缝检测) 问题 : ...
全卷积神经网路【U-net项目实战】语义分割之U-Net详解
文章目录 1.简介 2.U-net典型应用 3. U-net详解 4.参考文献 1.简介语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支.与分类任务不同,语义分 ...
全卷积神经网路【U-net项目实战】LUNA 2016 数据集详解
文章目录 1.LUNA 2016 数据集详解 2.mdh数据格式详解 3.python读取mdh的方法 4.annotations.csv坐标转换 5.LUNA16数据集肺结节显示 1.LUNA 20 ...
全卷积神经网路【U-net项目实战】Unet++
文章目录前言概述细节部分 1.一张结构图 & 解释: 2.loss:binary cross-entropy和dice coefficient两部分的组合.以下的loss应用到每一个不同 ...
全卷积神经网路【U-net项目实战】U-Net网络练习题： Kaggle - 2018 Data Science Bowl
因为Kaggle有该比赛,而且code写的很简单易懂,于是乎拿来玩一下. https://www.kaggle.com/keegil/keras-u-net-starter-lb-0-277?scri ...
全卷积神经网路【U-net项目实战】ISBI 挑战数据集图像分割-keras实现
文章目录 1.数据准备 2.程序准备 3.运行网络 4.测试结果 5.参考 1.数据准备原始数据:首先准备数据,参考数据来自于 ISBI 挑战的数据集.数据可以在(https://github.co ...
全卷积神经网路【U-net项目实战】肺结节分割案例分析：DSB3Tutorial
文章目录本文要分析的代码作者是jonrmulholland 数据集: 重要文件介绍: 第一步:运行LUNA_mask_extraction.py,生产images_#.npy,masks_#.npy ...
全卷积神经网路【U-net项目实战】U-net网络结构为什么在医学影像分割上表现不错
文章目录前言个人的理解: 1.医学图像边界模糊.梯度复杂,需要较多的高分辨率信息,深度学习可以做到这一点,比如上采样下采样以及skip connection和concatenation 2.待分割 ...
目标检测——卷积神经网路基础知识
目标检测--卷积神经网路基础知识卷积神经网络 LeCun的LeNet(1998)网络结构卷积神经网络发展历史卷积神经网络可以做什么全连接层介绍 BP神经网络通过BP神经网络做车牌数字识别 ...

全卷积神经网路【U-net项目实战】论文中U-Net网络实现

文章目录

设计神经网络的一般步骤

Unet网络设计的步骤

Unet网络最重要的特征

示例代码

全卷积神经网路【U-net项目实战】论文中U-Net网络实现相关推荐

最新文章

热门文章