dicePixelClassificationLayer

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

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

`Classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

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

`OutputSize` 'OutputSize'
`'auto'` (значение по умолчанию)

Это свойство доступно только для чтения.

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

`LossFunction` — Функция потерь
`'generalizedDiceLoss'` (значение по умолчанию)

Это свойство доступно только для чтения.

Функция потерь используется для обучения в виде 'generalizedDiceLoss'.

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

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

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

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

Типы данных: double

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

Введите имена слоя. Этот слой принимает один вход только.

Типы данных: cell

Примеры

свернуть все

Создайте 2D сеть Семантической Сегментации со слоем классификации пикселей Dice

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

Dice Loss

Функция Dice Loss основана на коэффициенте подобия Sørensen-Dice для измерения перекрытия между двумя сегментированными изображениями.

Обобщенная Dice Loss функционирует L, используемый dicePixelClassificationLayer за потерю между одним изображением Y и соответствующей основной истиной T дают:

$L = 1 - \frac{2 \sum_{k = 1}^{K} w_{k} \sum_{m = 1}^{M} Y_{k m} T_{k m}}{\sum_{k = 1}^{K} w_{k} \sum_{m = 1}^{M} Y_{k m}^{2} + T_{k m}^{2}}$

K является количеством классов, M является числом элементов по первым двум измерениям Y, и _wk является классом определенный фактор взвешивания, который управляет вкладом, который каждый класс делает к потере. Это взвешивание помогает противостоять влиянию более крупных областей на счете Dice, облегчающем для сети изучить, как сегментировать меньшие области. _wk обычно является обратной областью ожидаемой области:

$w_{k} = \frac{1}{{(\sum_{m = 1}^{M} T_{k m})}^{2}}$

Существует несколько изменений обобщенных функций Dice Loss [1], [2]. Функция используется в dicePixelClassificationLayer имеет условия в квадрате, чтобы гарантировать, что производная 0, когда предсказание совпадает с основной истиной [3].

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™.

Чтобы сгенерировать CUDA^® или Код С++ при помощи GPU Coder™, необходимо сначала создать и обучить глубокую нейронную сеть. Если сеть обучена и оценена, можно сконфигурировать генератор кода, чтобы сгенерировать код и развернуть сверточную нейронную сеть на платформах, которые используют NVIDIA^® или процессоры GPU ARM^®. Для получения дополнительной информации смотрите Глубокое обучение для GPU Coder (GPU Coder).

Для этого слоя можно сгенерировать код, который использует в своих интересах библиотеку глубокой нейронной сети CUDA NVIDIA (cuDNN), высокопроизводительную библиотеку вывода NVIDIA TensorRT™ или ARM Compute Library для Мали графический процессор.

Темы

Введенный в R2019b

Документация

dicePixelClassificationLayer

Описание

Создание

Синтаксис

Описание

Свойства

`Classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

`OutputSize` 'OutputSize'
`'auto'` (значение по умолчанию)

`LossFunction` — Функция потерь
`'generalizedDiceLoss'` (значение по умолчанию)

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

Примеры

Создайте 2D сеть Семантической Сегментации со слоем классификации пикселей Dice

Больше о

Dice Loss

Ссылки

Расширенные возможности

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

Смотрите также

Темы

Документация Computer Vision Toolbox

Поддержка

Документация

dicePixelClassificationLayer

Описание

Создание

Синтаксис

Описание

Свойства

Classes — Классы выходного слоя 'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

OutputSize 'OutputSize' 'auto' (значение по умолчанию)

LossFunction — Функция потерь 'generalizedDiceLoss' (значение по умолчанию)

Name — Имя слоя '' (значение по умолчанию) | вектор символов | строковый скаляр

NumInputs — Количество входных параметров 1 (значение по умолчанию)

InputNames — Введите имена {'in'} (значение по умолчанию)

Примеры

Создайте 2D сеть Семантической Сегментации со слоем классификации пикселей Dice

Больше о

Dice Loss

Ссылки

Расширенные возможности

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

Смотрите также

Темы

Документация Computer Vision Toolbox

Поддержка

`Classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

`OutputSize` 'OutputSize'
`'auto'` (значение по умолчанию)

`LossFunction` — Функция потерь
`'generalizedDiceLoss'` (значение по умолчанию)

`Name` — Имя слоя
`''` (значение по умолчанию) | вектор символов | строковый скаляр

`NumInputs` — Количество входных параметров
1 (значение по умолчанию)

`InputNames` — Введите имена
`{'in'}` (значение по умолчанию)

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