Создайте слои U-Net для семантической сегментации
lgraph = unetLayers(imageSize,numClasses)unetLayers включает слой классификации пикселей в сеть, чтобы предсказать категориальную метку для каждого пикселя во входном изображении.
Используйте unetLayers создать архитектуру сети U-Net. Необходимо обучить сеть с помощью функции Deep Learning Toolbox™ trainNetwork.
[ также возвращает размер выходного размера от сети U-Net.lgraph,outputSize] = unetLayers(imageSize,numClasses)
___ = unetLayers( задает опции с помощью одного или нескольких аргументов пары "имя-значение". Заключите каждое имя свойства в кавычки. Например, imageSize,numClasses,Name,Value)unetLayers(imageSize,numClasses,'NumFirstEncoderFilters',64) дополнительно определяет номер выходных каналов к 64 для первого этапа энкодера.
Создайте сеть U-Net с глубиной декодера энкодера 3.
imageSize = [480 640 3];
numClasses = 5;
encoderDepth = 3;
lgraph = unetLayers(imageSize,numClasses,'EncoderDepth',encoderDepth)lgraph =
LayerGraph with properties:
Layers: [46x1 nnet.cnn.layer.Layer]
Connections: [48x2 table]
InputNames: {'ImageInputLayer'}
OutputNames: {'Segmentation-Layer'}
Отобразите сеть.
plot(lgraph)
Загрузите учебные изображения и пиксельные метки в рабочую область.
dataSetDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages'); imageDir = fullfile(dataSetDir,'trainingImages'); labelDir = fullfile(dataSetDir,'trainingLabels');
Создайте imageDatastore возразите, чтобы сохранить учебные изображения.
imds = imageDatastore(imageDir);
Задайте имена классов и их связанную метку IDs.
classNames = ["triangle","background"]; labelIDs = [255 0];
Создайте pixelLabelDatastore возразите, чтобы сохранить пиксельные метки основной истины для учебных изображений.
pxds = pixelLabelDatastore(labelDir,classNames,labelIDs);
Создайте сеть U-Net.
imageSize = [32 32]; numClasses = 2; lgraph = unetLayers(imageSize, numClasses)
lgraph =
LayerGraph with properties:
Layers: [58×1 nnet.cnn.layer.Layer]
Connections: [61×2 table]
InputNames: {'ImageInputLayer'}
OutputNames: {'Segmentation-Layer'}
Создайте datastore для того, чтобы обучить сеть.
ds = pixelLabelImageDatastore(imds,pxds);
Установите опции обучения.
options = trainingOptions('sgdm', ... 'InitialLearnRate',1e-3, ... 'MaxEpochs',20, ... 'VerboseFrequency',10);
Обучите сеть.
net = trainNetwork(ds,lgraph,options)
Training on single CPU. Initializing input data normalization. |========================================================================================| | Epoch | Iteration | Time Elapsed | Mini-batch | Mini-batch | Base Learning | | | | (hh:mm:ss) | Accuracy | Loss | Rate | |========================================================================================| | 1 | 1 | 00:00:04 | 79.88% | 1.8376 | 0.0010 | | 10 | 10 | 00:00:40 | 97.18% | 0.3447 | 0.0010 | | 20 | 20 | 00:01:20 | 97.95% | 0.1829 | 0.0010 | |========================================================================================|
net =
DAGNetwork with properties:
Layers: [58×1 nnet.cnn.layer.Layer]
Connections: [61×2 table]
InputNames: {'ImageInputLayer'}
OutputNames: {'Segmentation-Layer'}
Используйте 'same' дополнение в слоях свертки, чтобы обеспечить тот же размер данных от входа, чтобы вывести и включить использование широкого набора входных размеров изображения.
Используйте основанные на закрашенной фигуре подходы в бесшовной сегментации больших изображений. Можно извлечь закрашенные фигуры изображений при помощи randomPatchExtractionDatastore функция в Image Processing Toolbox™.
Используйте 'valid' дополнение, чтобы предотвратить артефакты границы, в то время как вы используете основанные на закрашенной фигуре подходы в сегментации.
Можно использовать сеть, созданную с помощью unetLayers функция для генерации кода графического процессора после обучения с trainNetwork. Для получения дополнительной информации и примеры, смотрите Генерацию кода Глубокого обучения (Deep Learning Toolbox).
[1] Ronneberger, O., П. Фишер и Т. Брокс. "U-Net: Сверточные Сети для Биомедицинской Сегментации Изображений". Медицинское Вычисление Изображений и Машинное Вмешательство (MICCAI). Издание 9351, 2015, стр 234–241.
[2] Он, K., С. Чжан, С. Жэнь и J. Sun. "Копаясь глубоко в выпрямителях: превышение производительности Человеческого Уровня на классификации ImageNet". Продолжения международной конференции IEEE по вопросам компьютерного зрения. 2015, 1026–1034.