pytorch（5）--unet，unet++ 、融合deep supervision的unet++

最新推荐文章于 2024-09-25 11:05:20 发布

ForeverYang2015

最新推荐文章于 2024-09-25 11:05:20 发布

阅读量2.3k

点赞数

本文链接：https://blog.csdn.net/ap1005834/article/details/115690336

版权

本文详细介绍了Unet、Unet++的原理，对比了两者结构，并提供了PyTorch实现的代码。通过添加深度监督的Unet++在遥感图像分类任务上取得良好效果，使用了 LovaszSoftmax 多分类损失函数。附带整体代码下载链接和预测效果图。

摘要由CSDN通过智能技术生成

一、前言

本篇总结unet、unet++及添加了deep supervision的unet++ 原理及代码pytorch实现

二、原理

unet 和 unet++结构图分别如左右所示：

在这里插入图片描述

上面可看出unet 是简单向下采样4次，最后缩放16倍，再向上采样4次还原到原图像

unet++,则将各支路的节点都尽可能搭配利用起来

三、unet 和 unet++ 代码

先实现基础 vgg block：

import torch
import torch.nn as nn
import torch.nn.functional as F


class VGGBlock(nn.Module):
    def __init__(self, in_channels, middle_channels, out_channels, act_func=nn.ReLU(inplace=True)):
        super(VGGBlock, self).__init__()
        self.act_func = act_func
        self.conv1 = nn.Conv2d(in_channels, middle_channels, 3, padding=1)
        self.bn1 = nn.BatchNorm2d(middle_channels)
        self.conv2 = nn.Conv2d(middle_channels, out_channels, 3, padding=1)
        self.bn2 = nn.BatchNorm2d(out_channels)

    def forward(self, x):
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.act_func(out)

        out = self.conv2(out)
        out = self.bn2(out)
        out = self.act_func(out)

        return out

基本的下采样、上采样函数

import torch
import torch.nn as nn
import torch.nn.functional as F





class DoubleConv(nn.Module):
    """
    (convolution => [BN] => ReLU) * 2
    """
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.double_conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.C