Exponenta Banner

fcnLayers

Создайте полностью сверточные сетевые слои для семантической сегментации

свернуть все на странице

Синтаксис

lgraph = fcnLayers(imageSize,numClasses)
lgraph = fcnLayers(imageSize,numClasses,'Type',type)

Описание

пример

lgraph = fcnLayers(imageSize,numClasses) возвращает полностью сверточную сеть (FCN), сконфигурированную как FCN 8 с, для семантической сегментации. FCN предварительно инициализируется с помощью слоев и весов от сети VGG-16.

fcnLayers включает pixelClassificationLayer, чтобы предсказать категориальную метку для каждого пикселя во входном изображении. Слой классификации пикселей только поддерживает изображения RGB.

Эта функция требует Модели Deep Learning Toolbox™ для пакета Сетевой поддержки VGG-16. Если этот пакет поддержки не установлен, то функция vgg16 обеспечивает ссылку на загрузку.

lgraph = fcnLayers(imageSize,numClasses,'Type',type) возвращает FCN, сконфигурированный как тип, заданный type.

Примеры

свернуть все

Задайте размер изображения и количество классов, затем создайте сеть.

imageSize = [480 640];
numClasses = 5;
lgraph = fcnLayers(imageSize,numClasses)

Отобразите сеть.

plot(lgraph)

Создайте 16 FCN.

imageSize = [480 640];
numClasses = 5;
lgraph = fcnLayers(imageSize,numClasses,'Type','16s')

Отобразите сеть.

plot(lgraph)

Входные параметры

свернуть все

Сетевой входной размер изображения, заданный как вектор с 2 элементами в формате [height, width]. Минимальный размер изображения [224 224], потому что FCN основан на сети VGG-16.

Количество классов в семантической сегментации, заданной как целое число, больше, чем 1.

Тип модели FCN, заданной как одно из следующего:

Модель FCNОписание
'32s'

Сверхдискретизировал итоговую карту функции фактором 32. Эта опция предоставляет крупной сегментации более низкую вычислительную стоимость.

'16s'

Сверхдискретизировал итоговую карту функции фактором 16 после плавления карты функции от четвертого слоя объединения. Эта дополнительная информация от более ранних слоев обеспечивает сегментацию средней мелкой частицы за счет дополнительного вычисления.

'8s'

Сверхдискретизировал итоговую карту функции фактором 8 после соединяющихся карт функции от третьих и четвертых макс. слоев объединения. Эта дополнительная информация от более ранних слоев обеспечивает сегментацию более прекрасной мелкой частицы за счет дополнительного вычисления.

Выходные аргументы

свернуть все

Слои, которые представляют архитектуру сети FCN, возвратились как объект layerGraph.

Все транспонированные слои свертки инициализируются с помощью весов билинейной интерполяции. Все транспонированные условия смещения слоя свертки фиксируются, чтобы обнулить.

Советы

  • Сети, произведенные fcnLayers, поддерживают генерацию кода графического процессора для глубокого обучения, если они обучены с trainNetwork. Смотрите Генерацию кода Глубокого обучения (Deep Learning Toolbox) для деталей и примеров.

Ссылки

[1] Долго, J., Э. Шелхэмер и Т. Даррелл. "Полностью Сверточные Сети для Семантической Сегментации". Продолжения Конференции по IEEE по Компьютерному зрению и Распознаванию образов, 2015, стр 3431–3440.

Смотрите также

| | | | | | |

Темы

Введенный в R2017b

Документация Computer Vision Toolbox
Поддержка