Exponenta Banner

dicePixelClassificationLayer

Создайте слой классификации пикселей, используя обобщённый Dice Loss для семантической сегментации

развернуть все на странице

Описание

Слой классификации пикселей Dice обеспечивает категориальную метку для каждого пикселя изображения или воксель, используя обобщённый Dice Loss.

Слой использует обобщённый Dice Loss, чтобы облегчить проблему класса дисбаланса в семантических задачах сегментации. Обобщённый Dice Loss контролирует вклад, который каждый класс вносит в потерю, взвешивая классы по обратному размеру ожидаемой области.

Создание

Синтаксис

layer = dicePixelClassificationLayer
layer = dicePixelClassificationLayer(Name,Value)

Описание

пример

layer = dicePixelClassificationLayer создает выходной слой классификации пикселей Dice для сетей сегментации семантических изображений. Слой выводит категориальную метку для каждого пикселя изображения или воксель, обработанную CNN. Слой автоматически игнорирует неопределенные пиксельные метки во время обучения.

layer = dicePixelClassificationLayer(Name,Value) возвращает выходной слой классификации пикселей Dice с помощью аргументов в виде пар Имя, Значение, чтобы задать необязательный Classes и Name свойства. Можно задать несколько пары "имя-значение". Заключайте каждое имя свойства в кавычки.

Для примера, dicePixelClassificationLayer('Name','pixclass') создает слой классификации пикселей Dice с именем 'pixclass'.

Свойства

расширить все

Классы выходного слоя, заданные как категориальный вектор, строковые массивы, массив ячеек из векторов символов или 'auto'. Если Classes является 'auto', затем программное обеспечение автоматически устанавливает классы во время обучения. Если вы задаете строковые массивы или массив ячеек векторов символов str, затем программное обеспечение устанавливает классы выходного слоя на categorical(str,str).

Типы данных: char | categorical | string | cell

Это свойство доступно только для чтения.

Выход сигнала слоя. Значение 'auto' перед обучением и задается как число значения во время обучения.

Это свойство доступно только для чтения.

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

Имя слоя, заданное как вектор символов или строковый скаляр. Чтобы включить слой в график слоев, необходимо задать непустое уникальное имя слоя. Если вы обучаете последовательную сеть с слоем и Name установлено в ''затем программа автоматически присваивает слою имя 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

Этот пример использует:

Открыть Live Script

Спрогнозируйте категориальную метку каждого пикселя в вход 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

Подробнее о

расширить все

Ссылки

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

[2] Sudre, Carole H., et al. «Обобщенное перекрытие Dice как функция потерь глубокого обучения для сильно несбалансированных сегментаций». Глубокое обучение в анализе медицинских изображений и мультимодальном обучении для поддержки клинических решений. Springer, Cham, 2017, pp. 240-248.

[3] Миллетари, Фаусто, Нассир Наваб и Сейед-Ахмад Ахмади. V-Net: Полностью сверточные нейронные сети для объемной медицинской сегментации изображений ". Четвертая Международная конференция по 3D-видению (3DV). Стэнфорд, Калифорния, 2016: с. 565-571.

Расширенные возможности

.

См. также

| | | | | | (Deep Learning Toolbox)

Темы

Введенный в R2019b

Документация по Computer Vision Toolbox

Поддержка