fcnLayers

Создайте полностью сверточные слоя сети для семантической сегментации

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 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 vgg16 (Deep Learning Toolbox) функция 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 в виде вектора 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 в виде целого числа, больше, чем 1.

Тип модели FCN в виде одного из следующего:

Модель FCNОписание
'32s'

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

'16s'

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

'8s'

Сверхдискретизировал итоговую карту функции на коэффициент 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 расчета.

Выходные аргументы

свернуть все

Слои, которые представляют архитектуру сети FCN, возвратились как layerGraph Объект (Deep Learning Toolbox).

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

Советы

  • Сети производятся fcnLayers поддержите генерацию кода графического процессора для глубокого обучения, если они обучены с trainNetwork (Deep Learning Toolbox). 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.

Введенный в R2017b
Для просмотра документации необходимо авторизоваться на сайте