U-net用于人像分割的尝试

最新推荐文章于 2024-09-18 16:59:28 发布

冬仔11

最新推荐文章于 2024-09-18 16:59:28 发布

阅读量1.4k

点赞数 3

分类专栏：语义分割文章标签： U-net 语义分割深度学习

本文链接：https://blog.csdn.net/m0_37798080/article/details/103088188

版权

语义分割专栏收录该内容

2 篇文章 0 订阅

订阅专栏

U-net用于人像分割的尝试

前言
常见语义分割模型
编码器／解码器（encoder／decoder）结构
U-net模型搭建
U-net人像分割
- 训练过程
- 测试结果
后记

前言

最近在学习有关语义分割的知识，关于语义分割可能有的同学不清楚是什么含义，这里简单解释一下。
语义分割属于计算机视觉（Computer Vision，CV）中的一类任务，下面这张图展示了CV中的几大任务：
CV几大任务按照难以程度来看，由易到难依次为图像分类、目标检测、语义分割、实例分割，其中实例分割是语义分割的更进一步，具有挑战性，因为它需要正确检测图像中的目标，还要分出每个实例，而语义分割只要分割出像素类别即可，不需要知道图像中有多少个实例。
这么说并不意味着语义分割就很简单，实际上语义分割也具有挑战性。

常见语义分割模型

FCN系列：FCN-32、FCN-16、FCN-8。其中的32,16,8表示步长，可以理解为特征提取后特征图相对于原图的缩放比例，步长越大，提取的特征就越抽象，丢失的细节也就越多，在上采样时精度就越低。
U-net：U-net是2015年提出的编码器-解码器结构的语义分割模型，主要应用于医学图像，也可以用于一般图像，但是效果就比较一般，这个后面会详细介绍。
Deeplab系列：Deeplab v1、Deeplab v2、Deeplab v3、Deeplab v3+。这几种模型是谷歌开发并依次完善的，其中Deeplab v3+代表了当年语义分割的最高水平。

编码器／解码器（encoder／decoder）结构

下图为U-NET的结构图
在这里插入图片描述
U-net之所以被称为U-net，从这张图就可以一眼看出来，模型结构就类似于U形，包含了两个部分：特征提取部分与上采样部分，这种结构也被称为编码器-解码器结构。
与FCN系列不同的是，U-net采用了完全不同的特征融合方式：拼接。U-net采用将特征在channel维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征。

U-net模型搭建

使用gkeras可以很容易地搭建U-net。如下：

from keras.models import *
from keras.layers import *
from keras.optimizers import *

IMG_SIZE = 512

def unet(pretrained_weights=None, input_size=(IMG_SIZE, IMG_SIZE, 3),num_class=2):
    inputs = Input(input_size)
    conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(inputs)
    conv1 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv1)
    pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
    conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool1)
    conv2 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
    conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool2)
    conv3 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv3)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
    conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool3)
    conv4 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv4)
    drop4 = Dropout(0.5)(conv4)
    pool4 = MaxPooling2D(pool_size=(2, 2))(drop4)

    conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(pool4)
    conv5 = Conv2D(1024, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv5)
    drop5 = Dropout(0.5)(conv5)

    up6 = Conv2D(512, 2, activation='relu', padding='same', kernel_initializer='he_normal')(
        UpSampling2D(size=(2, 2))(drop5))

    merge6 = concatenate([drop4, up6], axis=3)
    conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge6)
    conv6 = Conv2D(512, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv6)

    up7 = Conv2D(256, 2, activation='relu', padding='same', kernel_initializer='he_normal')(
        UpSampling2D(size=(2, 2))(conv6))
    merge7 = concatenate([conv3, up7], axis=3)
    conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge7)
    conv7 = Conv2D(256, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv7)

    up8 = Conv2D(128, 2, activation='relu', padding='same', kernel_initializer='he_normal')(
        UpSampling2D(size=(2, 2))(conv7))
    merge8 = concatenate([conv2, up8], axis=3)
    conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge8)
    conv8 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv8)

    up9 = Conv2D(64, 2, activation='relu', padding='same', kernel_initializer='he_normal')(
        UpSampling2D(size=(2, 2))(conv8))
    merge9 = concatenate([conv1, up9], axis=3)
    conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(merge9)
    conv9 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9)
    conv9 = Conv2D(num_class, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv9)
    if num_class == 2:
        conv10 = Conv2D(3, 1, activation='sigmoid')(conv9)
        loss_function = 'binary_crossentropy'
    else:
        conv10 = Conv2D(num_class, 1, activation='softmax')(conv9)
        loss_function = 'categorical_crossentropy'
    model = Model(input=inputs, output=conv10)

    model.compile(optimizer=Adam(lr=1e-4), loss=loss_function, metrics=["accuracy"])
    model.summary()

    if (pretrained_weights):
        model.load_weights(pretrained_weights)
    return model

U-net人像分割

我尝试使用U-net做人像分割，人像数据集地址，其中包含了训练与测试集。
完整的代码在我的github上。
以下是原图与掩膜图的演示（貌似比较肥猪流…）：
在这里插入图片描述

训练过程

训练过程就不详细说了，其中有很多超参数，大家可以自己尝试一下。

测试结果

测试结果，有效果，但不太理想，放几张图感受一下
在这里插入图片描述

后记

U-net毕竟是针对医学图像开发的，医学图像的同一场景变化不大，所以只需要较少的训练数据就可以达到较好的效果，且U-net特征提取不宜太深，否则会丢失很多细节，不便于上采样，所以U-net用于自然图像分割，效果一般，这是我的一些个人理解。
下面打算将Deeplab v3+这个模型学习一下，然后用于对人像分割，据说效果很好…我这就来试试！