dicePixelClassificationLayer

Создайте слой классификации пикселей с помощью, обобщил Dice Loss для семантической сегментации

расширьте все на странице

Описание

Слой классификации пикселей Dice обеспечивает категориальную метку для каждого пикселя изображения, или воксель с помощью обобщил Dice Loss.

Использование слоя обобщило Dice Loss, чтобы облегчить проблему неустойчивости класса в проблемах семантической сегментации. Обобщенная Dice Loss управляет вкладом, который каждый класс делает к потере путем взвешивания классов обратным размером ожидаемой области.

Создание

Синтаксис

layer = dicePixelClassificationLayer
layer = dicePixelClassificationLayer(Name,Value)

Описание

пример

layer = dicePixelClassificationLayer создает классификацию пикселей Dice выходной слой для семантических сетей сегментации изображений. Слой выводит категориальную метку для каждого пикселя изображения или вокселя, обработанного CNN. Слой автоматически игнорирует неопределенные пиксельные метки во время обучения.

layer = dicePixelClassificationLayer(Name,Value) возвращает классификацию пикселей Dice выходной слой с помощью Имени, аргументов пары Значения, чтобы установить дополнительный Classes и Name свойства. Можно задать несколько пар "имя-значение". Заключите каждое имя свойства в кавычки.

Например, dicePixelClassificationLayer('Name','pixclass') создает слой классификации пикселей Dice с именем 'pixclass'.

Свойства

развернуть все

Классы выходного слоя в виде категориального вектора, массива строк, массива ячеек из символьных векторов или 'auto'. Если Classes 'auto', затем программное обеспечение автоматически устанавливает классы в учебное время. Если вы задаете массив строк или массив ячеек из символьных векторов str, затем программное обеспечение устанавливает классы выходного слоя к categorical(str,str). Значением по умолчанию является 'auto'.

Типы данных: char | categorical | string | cell

Это свойство доступно только для чтения.

Выходной размер слоя. Значением является 'auto' до обучения, и задан как числовое значение в учебное время.

Это свойство доступно только для чтения.

Функция потерь используется в обучении в виде 'generalizedDiceLoss'.

Имя слоя в виде вектора символов или строкового скаляра. Чтобы включать слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете серийную сеть со слоем и Name установлен в '', затем программное обеспечение автоматически присваивает имя к слою в учебное время.

Типы данных: char | string

Количество входных параметров слоя. Этот слой принимает один вход только.

Типы данных: double

Введите имена слоя. Этот слой принимает один вход только.

Типы данных: cell

Примеры

свернуть все

Этот пример использует:

Скрипт Open Live Script

Предскажите категориальную метку каждого пикселя во входном изображении с помощью обобщенной функции Dice Loss. 

layers = [
      imageInputLayer([480 640 3])
      convolution2dLayer(3,16,'Stride',2,'Padding',1)
      reluLayer
      transposedConv2dLayer(2,4,'Stride',2)
      softmaxLayer
      dicePixelClassificationLayer
      ]  
layers = 
  6x1 Layer array with layers:

     1   ''   Image Input                       480x640x3 images with 'zerocenter' normalization
     2   ''   Convolution                       16 3x3 convolutions with stride [2  2] and padding [1  1  1  1]
     3   ''   ReLU                              ReLU
     4   ''   Transposed Convolution            4 2x2 transposed convolutions with stride [2  2] and cropping [0  0  0  0]
     5   ''   Softmax                           softmax
     6   ''   Dice Pixel Classification Layer   Generalized Dice loss

Больше о

развернуть все

Ссылки

[1] Crum, Уильям Р., Оскар Камара и Дерек ЛГ Хилл. "Обобщенное перекрытие измеряется для оценки и валидации в медицинском анализе изображения". Транзакции IEEE на Медицинской Обработке изображений. 25.11, 2006, стр 1451–1461.

[2] Sudre, Кэрол Х., и др. "Обобщенные Dice перекрываются как функция потерь глубокого обучения для очень несбалансированных сегментаций". Глубокое обучение в Медицинском Анализе изображения и Многомодальном Изучении для Клинической Поддержки принятия решений. Спрингер, Хан, 2017, стр 240–248.

[3] Milletari, Фаусто, Нассир Нэвэб и Сейед-Ахмад Ахмади. "V-Net: Полностью Сверточные нейронные сети для Объемной Медицинской Сегментации Изображений". Четвертая Международная конференция по вопросам 3D-видения (3DV). Стэнфорд, CA, 2016: стр 565–571.

Расширенные возможности

Генерация кода графического процессора
Сгенерируйте код CUDA® для NVIDIA® графические процессоры с помощью GPU Coder™.

Смотрите также

| | | | | |

Темы

Введенный в R2019b

Документация Computer Vision Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте