VGG19+Unet模型

最新推荐文章于 2024-07-02 00:05:18 发布
最新推荐文章于 2024-07-02 00:05:18 发布
阅读量1.1k 收藏 16
点赞数 2
分类专栏： # 机器学习之Keras 文章标签： 深度学习 keras 语义分割 VGG19 Unet
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LYJ20010728/article/details/115490078
版权

搭建模型结构代码

import numpy as np
from tensorflow.keras import layers
from tensorflow.keras import models

def VGG19(img_input):
    # 512,512,3 -> 512,512,64
    x = layers.Conv2D(filters=64, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv1-1')(img_input)
    x = layers.Conv2D(filters=64, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv1-2')(x)
    conv1 = x
    
    # 512,512,64 -> 256,256,64
    x = layers.MaxPooling2D(pool_size=(2,2), strides=(2,2), name='pool1')(x)
    
    # 256,256,64 -> 256,256,128
    x = layers.Conv2D(filters=128, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv2-1')(x)
    x = layers.Conv2D(filters=128, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv2-2')(x)
    conv2 = x
    
    # 256,256,128 -> 128,128,128
    x = layers.MaxPooling2D(pool_size=(2,2), strides=(2,2), name='pool2')(x)
    
    # 128,128,128 -> 128,128,256
    x = layers.Conv2D(filters=256, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv3-1')(x)
    x = layers.Conv2D(filters=256, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv3-2')(x)
    x = layers.Conv2D(filters=256, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv3-3')(x)
    x = layers.Conv2D(filters=256, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv3-4')(x)
    conv3 = x
    
    # 128,128,256 -> 64,64,256
    x = layers.MaxPooling2D(pool_size=(2,2), strides=(2,2), name='pool3')(x)
    
    # 64,64,256 -> 64,64,512
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv4-1')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv4-2')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv4-3')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv4-4')(x)
    conv4 = x
    
    # 64,64,512 -> 32,32,512
    x = layers.MaxPooling2D(pool_size=(2,2), strides=(2,2), name='pool4')(x)
    
    # 32,32,512 -> 32,32,512
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv5-1')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv5-2')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv5-3')(x)
    x = layers.Conv2D(filters=512, kernel_size=(3,3), strides=(1,1), activation='relu', padding='same', name='conv5-4')(x)
    conv5 = x
    
    return conv1, conv2, conv3, conv4, conv5

def Unet(input_shape=(512,512,3), num_classes=21):
    '''获取输入的图片的尺寸'''
    inputs = layers.Input(input_shape)
    
    '''
    获取之前VGG19生成的五个有效特征层
    conv1    512,512,64
    conv2    256,256,128
    conv3    128,128,256
    conv4    64,64,512
    conv5    32,32,512
    '''
    conv1, conv2, conv3, conv4, conv5 = VGG19(inputs)
    
    # 32,32,512 -> 64,64,512
    U5_up = layers.UpSampling2D(size=(2,2), interpolation='nearest')(conv5)
    
    # 64,64,512 + 64,64,512 -> 64,64,1024
    U4 = layers.Concatenate(axis=3)([conv4, U5_up])
    
    # 64,64,1024 -> 64,64,512
    U4 = layers.Conv2D(filters=512, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U4)
    U4 = layers.Conv2D(filters=512, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U4)
    
    # 64,64,512 -> 128,128,512
    U4_up = layers.UpSampling2D(size=(2,2), interpolation='nearest')(U4)
    
    # 128,128,512 + 128,128,256 -> 128,128,768
    U3 = layers.Concatenate(axis=3)([conv3, U4_up])
    
    # 128,128,768 -> 128,128,256
    U3 = layers.Conv2D(filters=256, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U3)
    U3 = layers.Conv2D(filters=256, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U3)
    
    # 128,128,256 -> 256,256,256
    U3_up = layers.UpSampling2D(size=(2,2), interpolation='nearest')(U3)
    
    # 256,256,256 + 256,256,128 -> 256,256,384
    U2 = layers.Concatenate(axis=3)([conv2, U3_up])
    
    # 256,256,384 -> 256,256,128
    U2 = layers.Conv2D(filters=128, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U2)
    U2 = layers.Conv2D(filters=128, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U2)
    
    # 256,256,128 -> 512,512,128
    U2_up = layers.UpSampling2D(size=(2,2), interpolation='nearest')(U2)
    
    # 512,512,128 + 512,512,64 -> 512,512,192
    U1 = layers.Concatenate(axis=3)([conv1, U2_up])
    
    # 512,512,192 -> 512,512,64
    U1 = layers.Conv2D(filters=64, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U1)
    U1 = layers.Conv2D(filters=64, kernel_size=3, strides=1, activation='relu', padding='same', kernel_initializer='he_normal')(U1)
    
    # 512,512,64 -> 512,512,num_classes
    outputs = layers.Conv2D(filters=num_classes, kernel_size=1, strides=1, activation='softmax')(U1)
    
    model = models.Model(inputs=inputs, outputs=outputs)
    return model

测试模型并的出模型结构层次

image_size = (512,512,3)
num_classes = 21
model = Unet(image_size, num_classes)
model.summary()

Model: "model"
__________________________________________________________________________________________________
Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_1 (InputLayer)            [(None, 512, 512, 3) 0                                            
__________________________________________________________________________________________________
conv1-1 (Conv2D)                (None, 512, 512, 64) 1792        input_1[0][0]                    
__________________________________________________________________________________________________
conv1-2 (Conv2D)                (None, 512, 512, 64) 36928       conv1-1[0][0]                    
__________________________________________________________________________________________________
pool1 (MaxPooling2D)            (None, 256, 256, 64) 0           conv1-2[0][0]                    
__________________________________________________________________________________________________
conv2-1 (Conv2D)                (None, 256, 256, 128 73856       pool1[0][0]                      
__________________________________________________________________________________________________
conv2-2 (Conv2D)                (None, 256, 256, 128 147584      conv2-1[0][0]                    
__________________________________________________________________________________________________
pool2 (MaxPooling2D)            (None, 128, 128, 128 0           conv2-2[0][0]                    
__________________________________________________________________________________________________
conv3-1 (Conv2D)                (None, 128, 128, 256 295168      pool2[0][0]                      
__________________________________________________________________________________________________
conv3-2 (Conv2D)                (None, 128, 128, 256 590080      conv3-1[0][0]                    
__________________________________________________________________________________________________
conv3-3 (Conv2D)                (None, 128, 128, 256 590080      conv3-2[0][0]                    
__________________________________________________________________________________________________
conv3-4 (Conv2D)                (None, 128, 128, 256 590080      conv3-3[0][0]                    
__________________________________________________________________________________________________
pool3 (MaxPooling2D)            (None, 64, 64, 256)  0           conv3-4[0][0]                    
__________________________________________________________________________________________________
conv4-1 (Conv2D)                (None, 64, 64, 512)  1180160     pool3[0][0]                      
__________________________________________________________________________________________________
conv4-2 (Conv2D)                (None, 64, 64, 512)  2359808     conv4-1[0][0]                    
__________________________________________________________________________________________________
conv4-3 (Conv2D)                (None, 64, 64, 512)  2359808     conv4-2[0][0]                    
__________________________________________________________________________________________________
conv4-4 (Conv2D)                (None, 64, 64, 512)  2359808     conv4-3[0][0]                    
__________________________________________________________________________________________________
pool4 (MaxPooling2D)            (None, 32, 32, 512)  0           conv4-4[0][0]                    
__________________________________________________________________________________________________
conv5-1 (Conv2D)                (None, 32, 32, 512)  2359808     pool4[0][0]                      
__________________________________________________________________________________________________
conv5-2 (Conv2D)                (None, 32, 32, 512)  2359808     conv5-1[0][0]                    
__________________________________________________________________________________________________
conv5-3 (Conv2D)                (None, 32, 32, 512)  2359808     conv5-2[0][0]                    
__________________________________________________________________________________________________
conv5-4 (Conv2D)                (None, 32, 32, 512)  2359808     conv5-3[0][0]                    
__________________________________________________________________________________________________
up_sampling2d (UpSampling2D)    (None, 64, 64, 512)  0           conv5-4[0][0]                    
__________________________________________________________________________________________________
concatenate (Concatenate)       (None, 64, 64, 1024) 0           conv4-4[0][0]                    
                                                                 up_sampling2d[0][0]              
__________________________________________________________________________________________________
conv2d (Conv2D)                 (None, 64, 64, 512)  4719104     concatenate[0][0]                
__________________________________________________________________________________________________
conv2d_1 (Conv2D)               (None, 64, 64, 512)  2359808     conv2d[0][0]                     
__________________________________________________________________________________________________
up_sampling2d_1 (UpSampling2D)  (None, 128, 128, 512 0           conv2d_1[0][0]                   
__________________________________________________________________________________________________
concatenate_1 (Concatenate)     (None, 128, 128, 768 0           conv3-4[0][0]                    
                                                                 up_sampling2d_1[0][0]            
__________________________________________________________________________________________________
conv2d_2 (Conv2D)               (None, 128, 128, 256 1769728     concatenate_1[0][0]              
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 128, 128, 256 590080      conv2d_2[0][0]                   
__________________________________________________________________________________________________
up_sampling2d_2 (UpSampling2D)  (None, 256, 256, 256 0           conv2d_3[0][0]                   
__________________________________________________________________________________________________
concatenate_2 (Concatenate)     (None, 256, 256, 384 0           conv2-2[0][0]                    
                                                                 up_sampling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_4 (Conv2D)               (None, 256, 256, 128 442496      concatenate_2[0][0]              
__________________________________________________________________________________________________
conv2d_5 (Conv2D)               (None, 256, 256, 128 147584      conv2d_4[0][0]                   
__________________________________________________________________________________________________
up_sampling2d_3 (UpSampling2D)  (None, 512, 512, 128 0           conv2d_5[0][0]                   
__________________________________________________________________________________________________
concatenate_3 (Concatenate)     (None, 512, 512, 192 0           conv1-2[0][0]                    
                                                                 up_sampling2d_3[0][0]            
__________________________________________________________________________________________________
conv2d_6 (Conv2D)               (None, 512, 512, 64) 110656      concatenate_3[0][0]              
__________________________________________________________________________________________________
conv2d_7 (Conv2D)               (None, 512, 512, 64) 36928       conv2d_6[0][0]                   
__________________________________________________________________________________________________
conv2d_8 (Conv2D)               (None, 512, 512, 21) 1365        conv2d_7[0][0]                   
==================================================================================================
Total params: 30,202,133
Trainable params: 30,202,133
Non-trainable params: 0
__________________________________________________________________________________________________
H3rmesk1t
关注
  • 2
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于Vgg-Unet模型自动驾驶场景检测
qq_38937634的博客
09-04 1132
VGG全称是Visual Geometry Group属于牛津大学科学工程系，其发布了一些列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面,VGG的输入被设置为大小为224x244的RGB图像。有3个VGG全连接层，根据卷积层+全连接层的总数，可以从VGG11到VGG19变化。此外，VGG网络后面没有每个卷积层后面的池化层，也没有分布在不同卷积层下的总共5个池化层。与CNN不同的之处在于CNN是图像级的分类，而unet是像素级的分类，其输出的是每个像素点的类别。
unet 层_以VGG16为特征抽取器的类Unet体系结构与连接层的问题
weixin_29769523的博客
02-11 1903
我想构建一个U-net架构，使用vgg16模型作为编码器，在Imagenet数据集上预先训练权重。对于上采样，我想将编码器中某些层的输出与解码部分连接起来。差不多是这样的(摘自TernausNet)：TernausNet到目前为止，我的模型是这样的：from keras.applications.vgg16 import VGG16 as VGG16, preprocess_inputencode...
基于python与VGG16的使用UNet对图像去噪设计与实现
05-04
基于python与VGG16的使用UNet对图像去噪设计与实现
神经网络模型u-net 、VGG
智障儿童欢乐多
11-23 3776
神经网络模型u-net 、VGG 文章目录神经网络模型u-net 、VGG一、人脑视觉处理机理人脑视觉机理二、U-net网络1.定义编码解码结构上采样、下采样、长连接2.构成3.网络结构4.优点5.局限性6.应用7.特点三、VGG网络模型1.定义2网络结构3.一些技巧4.贡献5缺点6.SUMMARY PIPELINE(流水线) ​ ...
Vgg16 + Unet 介绍
Turbo_Come的博客
03-01 1万+
VGG-16： 这个数字16，就是指在这个网络中包含 16个卷积层和全连接层，随着网络的加深，图像的高度和宽度都在以一定的规律不断缩小，每次池化后刚好缩小一半，而通道数量在不断增加，而且刚好也是在每组卷积操作后增加一倍。也就是说，图像缩小的比例和通道数增加的比例是有规律的 专注于构建卷积层的简单网络： 首先用3×3，步幅为1的过滤器构建卷积层 padding参数为same卷积中的参数， ...
【图像分割】理论篇（2）经典图像分割网络基于vgg16的Unet
qq_46644680的博客
08-23 1162
UNet 的核心思想是将编码器和解码器结合在一起，形成一个 U 字形的网络结构。编码器部分用于逐渐减少空间分辨率和提取高级特征，而解码器部分则逐渐恢复分辨率并生成与输入图像相同大小的分割结果。UNet 的设计使得它能够在较小的数据集上有效地训练，并且在医学图像等领域中表现优异。
VGG-Net-道路语义分割
sdcxsfc的博客
09-05 172
项目基于VGG-Net网络实现道路图像的语义分割。利用英特尔开发工具，验证经过英特尔开发工具优化后的训练时间与推理时间与未经优化前推理时间的差异。试验结果证明经过英特尔开发工具优化后的训练和推理时间优于未经优化前模型的训练和推理时间。
tensorflow-使用tensorflow实现的vgg19+vgg16算法.zip
03-02
总的来说，这个项目提供了一个实践性的例子，展示了如何在TensorFlow中构建和训练VGG19和VGG16模型，这对于理解和应用深度学习模型具有很高的价值。通过研究和理解这个实现，开发者可以更好地掌握卷积神经网络的设计...
VGG-19模型.txt
03-31
里面有百度云链接，永久有效。
风格迁移毕设+pytorch+VGG模型+后缀名.t7文件
04-30
在本项目中，我们使用PyTorch框架和VGG模型实现这一过程。PyTorch是一个流行的深度学习库，提供了灵活的环境来构建和训练神经网络。VGG（Visual Geometry Group）网络是由牛津大学的研究团队提出的，它在2014年的...
deep learning模型包含VGG16/VGG19/RESNET50 python源代码
03-23
deep learning经典模型的搭建，包括vgg16，vgg19，resnet50，都使用python源代码，并有详细注释，可以显示模型结构，适合初学者入门了解
Python-TernausNet带有VGG11编码器的UNet在ImageNet上预训练用于图像分割
08-11
TernausNet: 带有VGG11编码器的U-Net在ImageNet上预训练，用于图像分割
基于resnet+unet的皮肤病变分割
02-25
该工程使用resnet50/101+hypercolumn+scse+unet算法实现对皮肤病变的分割
基于VGG19+LSTM的图片描述生成
05-22
基于VGG19+LSTM的图片描述生成（ECNU 2018~2019 term AI Course final project-自主选题）LSTM (Long Short-Term Memory) 是一种特殊的循环神经网络（RNN）架构，用于处理具有长期依赖关系的序列数据。传统的RNN在...
VGG16+UNet个人理解及代码实现（Pytorch）
热门推荐
张壮壮的博客
04-06 1万+
以下内容均为个人理解，如有错误，欢迎指正。 VGG16 网络结构 vgg16的网络结构如下所示，16的含义就是说网络中有16个全连接层。 图1没有画出最后的卷积层。 结合这两张图来看，捋一下网络的结果和卷积的过程： 1.第一阶段： 假设输入图片大小为224 x 224 x 3（如图2），先经历两次3 x 3的卷积，得到 224 x 224 x 64，再经历一次最大池化，得到112 x 112 x 128 2.第二阶段： 由阶段一得到112 x 112 x 128的输入，先经历两次3 x 3的卷积，得到
PyTorch搭建VGG网络
Tra_cy的博客
12-01 2405
基于PyTorch的一些预训练模型下载地址：https://github.com/pytorch/vision/tree/master/torchvision/models
（论文版）深度学习 | 基于 VGG16-UNet 语义分割模型的猫狗图像提取研究
最新发布
ttrr27的博客
07-02 1170
Hi，大家好，我是半亩花海。本实验本项目基于 VGG16-UNet 架构，利用 Labelme 标注数据和迁移学习，构建高效准确的猫狗图像分割模型。通过编码器-解码器结构（特征提取-上采样）提升分割精度，适应不同场景，推动图像分割技术发展。
深度学习分类网络之——VGG
weixin_41845840的博客
01-31 271
深度学习分类网络之——VGG重点 出版源: ICLR 2015； 论文与代码链接：paperwithcode 重点 连续使用几个小卷积核来代替直接使用大卷积核。如连续使用2个stride = 1, kernel_size = 3 * 3 代替只是使用一个stride = 1，kernel_size = 5 * 5 。7 * 7 等情况可根据下图类似推导。 堆叠使用多个小卷积核能够获得与单一使用大卷积的感受野的条件下，还能增加网络决策能力 减少参数；用C表示特征图通道数，假设输入输出的通道数不变，3个3
VGG19_LOSS 代码学习研究
qq_38376205的博客
12-02 2070
import torchvision.models as models PyTorch源码解读之torchvision.models vgg19 制作vgg loss 代码解读 class Vgg19(nn.Module): def __init__(self, args, requires_grad=False): super(Vgg19, self).__init__() self.args = args self.vgg_pretr...
vgg和resnet unet
05-23
VGG和ResNet是深度学习中常用的卷积神经网络模型，而UNet则是一种用于图像分割的神经网络。 VGG是由牛津大学的研究者提出的，其特点在于采用了非常小的卷积核和深层的网络结构，使得网络可以学习到更加丰富和复杂的特征表达，从而在图像识别等任务上表现优秀。 ResNet是由微软亚洲研究院提出的，其主要思想是引入了残差连接（Residual Connection）的概念，可以让网络更加深层，同时也减轻了梯度消失问题，从而在更深层次的网络上表现优秀。 UNet则是一种用于图像分割的神经网络，主要思想是将图像分割问题转化为像素级别的分类问题，同时还引入了跳跃连接（Skip Connection）的概念，可以让网络更好地利用低层次特征信息，从而在图像分割任务上表现优秀。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值