dicePixelClassificationLayer

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

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

`Classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

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

`OutputSize` - Размер выходного сигнала
`'auto'` (по умолчанию)

Это свойство доступно только для чтения.

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

`LossFunction` - Функция потерь
`'generalizedDiceLoss'` (по умолчанию)

Это свойство доступно только для чтения.

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

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

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

`NumInputs` - Количество входов
1 (по умолчанию)

Количество входов слоя. Этот слой принимает только один вход.

Типы данных: double

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Входные имена слоя. Этот слой принимает только один вход.

Типы данных: cell

Примеры

свернуть все

Создайте 2-D семантические Сегментации с слоем классификации пикселей Dice

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

Потеря Dice Loss

Функция Dice loss основана на коэффициенте подобия Сёренсена-Диса для измерения перекрытия между двумя сегментированными изображениями.

Обобщенная функция Dice loss L используемая dicePixelClassificationLayer для потерь между одним изображением Y и соответствующей основной истиной T дается:

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

K - количество классов, M - количество элементов по первым двум размерностям Y, а _wk - специфический для класса весовой коэффициент, который управляет вкладом каждого класса в потерю. Это взвешивание помогает противостоять влиянию больших областей на счет Dice, облегчая для сети изучение сегментации небольших областей. _wk обычно является обратной областью ожидаемой области:

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

Существуют несколько изменений обобщенных функций Dice Loss [1], [2]. Функция, используемая в dicePixelClassificationLayer имеет квадратные условия, чтобы убедиться, что производная равна 0, когда предсказание соответствует основной истине [3].

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

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

Как сгенерировать CUDA^® или Код С++ при помощи GPU Coder™, вы должны сначала создать и обучить глубокую нейронную сеть. После обучения и оценки сети можно сконфигурировать генератор кода, чтобы сгенерировать код и развернуть сверточную нейронную сеть на платформах, которые используют NVIDIA^® или ARM^® Графические процессоры. Для получения дополнительной информации смотрите Глубокое Обучение с GPU Coder (GPU Coder).

Для этого слоя можно сгенерировать код, который использует преимущества библиотеки глубоких нейронных сетей NVIDIA CUDA (cuDNN), NVIDIA TensorRT™ библиотеки вывода высокой эффективности или ARM Compute Library для Mali GPU.

См. также

Темы

3-D сегментацию опухоли мозга с помощью глубокого обучения
Начало работы с семантической сегментацией с использованием глубокого обучения
Список слоев глубокого обучения (Deep Learning Toolbox)
Глубокое обучение в MATLAB (Deep Learning Toolbox)
Задайте слои сверточной нейронной сети (Deep Learning Toolbox)

Введенный в R2019b

Документация

dicePixelClassificationLayer

Описание

Создание

Синтаксис

Описание

Свойства

`Classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

`OutputSize` - Размер выходного сигнала
`'auto'` (по умолчанию)

`LossFunction` - Функция потерь
`'generalizedDiceLoss'` (по умолчанию)

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Примеры

Создайте 2-D семантические Сегментации с слоем классификации пикселей Dice

Подробнее о

Потеря Dice Loss

Ссылки

Расширенные возможности

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

См. также

Темы

Документация по Computer Vision Toolbox

Поддержка

Документация

dicePixelClassificationLayer

Описание

Создание

Синтаксис

Описание

Свойства

Classes - Классы выходного слоя 'auto' (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

OutputSize - Размер выходного сигнала 'auto' (по умолчанию)

LossFunction - Функция потерь 'generalizedDiceLoss' (по умолчанию)

Name - Имя слоя '' (по умолчанию) | символьный вектор | строковый скаляр

NumInputs - Количество входов 1 (по умолчанию)

InputNames - Входные имена {'in'} (по умолчанию)

Примеры

Создайте 2-D семантические Сегментации с слоем классификации пикселей Dice

Подробнее о

Потеря Dice Loss

Ссылки

Расширенные возможности

Генерация кода GPU Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™

См. также

Темы

Документация по Computer Vision Toolbox

Поддержка

`Classes` - Классы выходного слоя
`'auto'` (по умолчанию) | категориальный вектор | строковые массивы | массив ячеек из векторов символов

`OutputSize` - Размер выходного сигнала
`'auto'` (по умолчанию)

`LossFunction` - Функция потерь
`'generalizedDiceLoss'` (по умолчанию)

`Name` - Имя слоя
`''` (по умолчанию) | символьный вектор | строковый скаляр

`NumInputs` - Количество входов
1 (по умолчанию)

`InputNames` - Входные имена
`{'in'}` (по умолчанию)

Генерация кода GPU
Сгенерируйте код CUDA ® для графических процессоров NVIDIA ® с помощью GPU Coder™