Exponenta Banner
exponenta event banner

dicePixelClassificationLayer

Создание слоя классификации пикселей с использованием обобщенной потери кости для семантической сегментации

развернуть все на странице

Описание

Слой классификации пикселей Dice предоставляет категориальную метку для каждого пикселя изображения или вокселя с использованием обобщенной потери Dice.

Слой использует обобщенную потерю кости для облегчения проблемы дисбаланса классов в семантических проблемах сегментации. Обобщенные потери кости управляют вкладом каждого класса в потери путем взвешивания классов по обратному размеру ожидаемой области.

Создание

Синтаксис

layer = dicePixelCondLayer
layer = dicePixelExingLayer (имя, значение)

Описание

пример

layer = dicePixelClassificationLayer создает выходной слой классификации пикселей Dice для сетей сегментации семантических 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 выходной слой классификации Dice pixel с использованием аргументов пары Name, Value для установки необязательногоClasses и Name свойства. Можно указать 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, указанные как категориальный вектор, строковый массив, массив ячеек символьных векторов или 'auto'. Если Classes является 'auto', то программное обеспечение автоматически устанавливает классы во время обучения. Если указан строковый массив или массив ячеек символьных векторов str, то программное обеспечение устанавливает классы выходного уровня в categorical(str,str).

Типы данных: char | categorical | string | cell

Это свойство доступно только для чтения.

Выходной размер слоя. Значение: 'auto' перед обучением и указывается как числовое значение во время обучения.

Это свойство доступно только для чтения.

Функция потерь, используемая для обучения, указанная как 'generalizedDiceLoss'.

Имя слоя, указанное как символьный вектор или строковый скаляр. Чтобы включить слой в график слоев, необходимо указать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с уровнем и Name имеет значение ''затем программа автоматически присваивает имя слою во время обучения.

Типы данных: char | string

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

Примеры

свернуть все

В этом примере используются:

Открыть сценарий в реальном времени

Спрогнозировать категориальную метку каждого пикселя во входном изображении с помощью обобщенной функции потери кости. 

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

Подробнее

развернуть все

Ссылки

[1] Крам, Уильям Р., Оскар Камара и Дерек ЛГ Хилл. «Обобщенные меры перекрытия для оценки и проверки в анализе медицинских изображений». Транзакции IEEE по медицинской визуализации. 25.11, 2006, стр 1451–1461.

[2] Sudre, Кэрол Х., и др. «Обобщенное перекрытие Dice как функция глубокой потери обучения для сильно несбалансированных сегментаций». Глубокое обучение анализу медицинских образов и мультимодальное обучение для поддержки принятия клинических решений. Springer, Cham, 2017, стр. 240-248.

[3] Миллетари, Фаусто, Нассир Наваб и Сейед-Ахмад Ахмади. «V-Net: полностью сверточные нейронные сети для сегментации объемных медицинских изображений». Четвертая Международная конференция по 3D видению (3DV). Стэнфорд, Калифорния, 2016: стр. 565-571.

Расширенные возможности

.

См. также

| | | | | | (инструментарий для глубокого обучения)

Темы

Представлен в R2019b

Документация по инструментарию компьютерного зрения

Поддержка