Создание слоев SegNet для семантической сегментации
lgraph = segnetLayers(imageSize,numClasses,model)lgraph, который предварительно инициализируется слоями и весами из предварительно обученного model.
SegNet - сверточная нейронная сеть для сегментации семантического изображения. Сеть использует pixelClassificationLayer для прогнозирования категориальной метки для каждого пикселя во входном изображении.
Использовать segnetLayers для создания сетевой архитектуры для SegNet. Необходимо обучить сеть с помощью функции Deep Learning Toolbox™ trainNetwork (инструментарий глубокого обучения).
lgraph = segnetLayers(imageSize,numClasses,encoderDepth)
lgraph = segnetLayers(imageSize,numClasses,encoderDepth,Name,Value)Name,Value аргументы пары.
Загрузите обучающие изображения и пиксельные метки.
dataSetDir = fullfile(toolboxdir('vision'),'visiondata','triangleImages'); imageDir = fullfile(dataSetDir,'trainingImages'); labelDir = fullfile(dataSetDir,'trainingLabels');
Создайте хранилище данных образа, содержащее обучающие изображения.
imds = imageDatastore(imageDir);
Определите имена классов и связанные с ними идентификаторы меток.
classNames = ["triangle", "background"]; labelIDs = [255 0];
Создайте хранилище данных меток пикселей, в котором хранятся метки базовых пикселей истинности для обучающих изображений.
pxds = pixelLabelDatastore(labelDir,classNames,labelIDs);
Создание слоев SegNet.
imageSize = [32 32]; numClasses = 2; lgraph = segnetLayers(imageSize,numClasses,2)
lgraph =
LayerGraph with properties:
Layers: [31x1 nnet.cnn.layer.Layer]
Connections: [34x2 table]
InputNames: {'inputImage'}
OutputNames: {'pixelLabels'}
Создайте хранилище данных изображения метки пикселя для обучения сети семантической сегментации.
pximds = pixelLabelImageDatastore(imds,pxds);
Настройка параметров обучения.
options = trainingOptions('sgdm','InitialLearnRate',1e-3, ... 'MaxEpochs',20,'VerboseFrequency',10);
Обучение сети.
net = trainNetwork(pximds,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 | 00:00:01 | 42.11% | 0.7662 | 0.0010 | | 10 | 10 | 00:00:14 | 50.77% | 0.7390 | 0.0010 | | 20 | 20 | 00:00:28 | 66.19% | 0.6918 | 0.0010 | |========================================================================================|
net =
DAGNetwork with properties:
Layers: [31x1 nnet.cnn.layer.Layer]
Connections: [34x2 table]
InputNames: {'inputImage'}
OutputNames: {'pixelLabels'}
Отображение сети.
plot(lgraph)
Создайте слои SegNet с глубиной кодера/декодера 4.
imageSize = [480 640 3]; numClasses = 5; encoderDepth = 4; lgraph = segnetLayers(imageSize,numClasses,encoderDepth)
lgraph =
LayerGraph with properties:
Layers: [59x1 nnet.cnn.layer.Layer]
Connections: [66x2 table]
InputNames: {'inputImage'}
OutputNames: {'pixelLabels'}
Отобразить сеть.
figure plot(lgraph)
Секции в подсетях кодера и декодера SegNet состоят из уровней сверточной, пакетной нормализации и ReLU.
Все сверточные слои сконфигурированы так, что элемент смещения зафиксирован равным нулю.
Веса уровня свертки в подсетях кодера и декодера инициализируются с помощью 'MSRA«метод инициализации веса». Для 'vgg16' или 'vgg19' модели, только подсеть декодера инициализируется с использованием MSRA. [1]
Сети, производимые segnetLayers поддержка генерации кода GPU для глубокого обучения после обучения с помощью trainNetwork (инструментарий глубокого обучения). Подробные сведения и примеры см. в разделе Создание кода глубокого обучения (панель инструментов глубокого обучения).
[1] Он, К., X. Zhang, С. Рен и Дж. Сун. «Углубляясь в выпрямители: превосходя показатели на уровне человека по классификации ImageNet». Материалы Международной конференции IEEE по компьютерному зрению. 2015, 1026–1034.
[2] Бадринараянан, В., А. Кендалл и Р. Чиполла. «Segnet: архитектура глубокого сверточного кодера-декодера для сегментации изображений». arXiv. Препринт arXiv: 1511.0051, 2015.
pixelClassificationLayer | DAGNetwork (инструментарий глубокого обучения) | layerGraph (инструментарий для глубокого обучения)deeplabv3plusLayers | evaluateSemanticSegmentation | fcnLayers | segnetLayers | semanticseg | unetLayers | trainNetwork (инструментарий для глубокого обучения)