图像分割算法Unet中的上采样（反卷积）

最新推荐文章于 2025-04-03 21:14:34 发布
最新推荐文章于 2025-04-03 21:14:34 发布
阅读量6.4k 收藏 14
点赞数 2
分类专栏： 深度学习 文章标签： 算法 人工智能 深度学习
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/qq_35326529/article/details/128099209
版权
本文详细介绍了Unet模型在语义分割中的工作原理，重点讨论了下采样和上采样的过程。下采样通过卷积、批量归一化和ReLU激活函数提取特征；上采样则采用可学习的反卷积网络，以恢复图像的特征。早期的上采样方法如填充0或最近邻插值存在局限，而学习型反卷积使得网络能够训练上采样过程，提高了语义分割的准确性。文章还通过实例解释了卷积运算的计算过程，并指出反卷积并非完全逆运算，主要用于恢复图像维度而非像素。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在Unet模型当中，是先通过四个下采样提取目标特征，再通过四个上采样，然后挨个对特征当中的每一个像素点进行分类，从而达到语义分割的目的。

下采样的过程，就是很传统的卷积神经网络的卷积层，先通过Conv2D进行卷积，然后BatchNormalization进行批量正则化，然后进Relu激活函数层。其中核心算法就是卷积的过程，通过卷积核在图像上移动，得到结果。

而上采样的过程是一个反卷积的过程，在早期的语义分割任务中，网络模型涉及到上采样操作，最常见的就是通过填充0或者最近邻插值的方式来完成上采样。这种方法简单粗暴但是缺点也很明显，没有办法实现图像的还原，整个过程不可学习。

在ICCV 2015年的《Learning Deconvolution Network for Semantic Segmentation》论文中提出了可学习的反卷积网络，不再通过填充0或者最近邻插值方法来完成上采样，让整个过程变成可学习，在图像语义分割网络中实现了对上采样过程的训练。在论文中提到的反卷积，更加准确的说法应该是转置卷积。

卷积的过程 

   

在4*4的二维矩阵D中，使用一个3*3的卷积核，得到的结果是一个2*2的矩阵，结果为

 |12     12|

 |10     17|

其运算过程为

（0,0） 120x3+1x3+2x2+2x0+2x0+0x1+0x3+1x1+2x2=12
（0,1） 120x3+1x2+2x1+2x0+2x1+0x3+0x1+1x2+2x2=12
（1,0） 100x0+1x0+2x1+2x3+2x1+0x2+0x2+1x0+2x0=10
（1,1） 170x0+1x1+2x3+2x1+2x2+0x2+0x0+1x0+2x2=17

其运算过程，就是卷积核在矩阵上对应位置点乘线性组合得到的输出。

卷积计算可以看做是参数矩阵和输入矩阵相乘，Y是输出，C是参数矩阵，X是输入矩阵

然而反卷积其实就是通过X，去乘以一个相同的参数矩阵的转置，得到Y。

 

 这里需要注意的是，反卷积只是为了恢复图像维度，而不是为了恢复图像像素，只是恢复了图像的部分特征，所以并不是完全的逆运算，反卷积实质还是一种卷积。

参考：

https://iksinc.online/2017/05/06/deconvolution-in-deep-learning/

基于U-Net的图像分割算法介绍
Littro Innovations
04-15 319
U-Net结构独特，具有编码器-解码器结构，能够有效地捕捉图像中的局部和全局信息，并在像素级别上进行精确的分割。U-Net的网络结构分为编码器和解码器两部分，可以通过堆叠卷积层和池化层构建编码器，然后通过堆叠上采样层和卷积层构建解码器，最后接上适当的激活函数（如sigmoid或softmax）得到分割结果。U-Net通常使用像素级别的损失函数，如交叉熵损失函数（Cross Entropy Loss）或Dice系数损失函数，用于度量模型输出与真实标签之间的差异，并指导网络学习正确的分割边界。
图像分割、unet++的学习心得
wzh2028721803的博客
10-18 799
在训练过程中，不断调整超参数，如学习率、批大小和训练的轮数等。在当今数字化飞速发展的时代，从医疗领域的精准疾病诊断（如肿瘤的检测与分割），到智能交通系统中的车辆与道路的分离识别，再到娱乐产业中的图像特效制作，图像分割技术无处不在。在当今数字化飞速发展的时代，从医疗领域的精准疾病诊断（如肿瘤的检测与分割），到智能交通系统中的车辆与道路的分离识别，再到娱乐产业中的图像特效制作，图像分割技术无处不在。无论是简单的基于阈值的分割，还是复杂的基于深度学习的分割方法，我都能根据具体的任务需求选择合适的技术手段。
帮助我自己理解U-Net网络结构讲解的小知识点
m0_72800308的博客
05-22 648
UNet 网路结构左半部分是下采样：图片尺寸变小，图片变得模糊；UNet 网路结构右半部分是上采样：图片尺寸变大，图片变得清晰。常见的方法包括平均池化、最大池化和卷积池化等。常见的方法包括最近邻插值、双线性插值和三次插值等。上采样和下采样的目的是为了适应不同的任务需求，例如：在特征提取、图像压缩和迁移学习中，需要将高分辨率图像下采样到低分辨率图像。（UNet 左半部分就是在进行特征提取、图像压缩）在目标检测、图像分割和超分辨率重建等任务中，需要将低分辨率图像上采样到高分辨率图像。
unet结构, 为什么要下采样, 上采样?
最新发布
ncnfjdjjd的博客
04-03 1231
• 在解码器中，利用转置卷积或上采样操作将特征图的尺寸恢复到原始的 256 \times 256，同时通过跳跃连接引入高分辨率的特征，以便精确恢复细节。：经过下采样后，图像的空间分辨率降低，特征图的尺寸变小。：上采样在解码器中不仅是恢复分辨率，还通过跳跃连接保留了细节信息，有助于提高分割任务的精确度，特别是在分割边界或小区域时。使得网络能够恢复图像的空间细节和结构，同时将高级特征与低级特征结合，进行精细化的输出。：上采样通过将高层的抽象特征与低层的细节特征结合，帮助模型恢复图像的精细结构。
pytorch的nn.ConvTranspose2d()反卷积函数参数及尺寸计算详解
weixin_44414948的博客
11-23 1万+
参数详解 in_channels, #输入数据的通道数 out_channels, #输出数据的通道数（就是我想让输出多少通道，就设置为多少） kernel_size, #卷积核的尺寸（如（3，2），3与（3,3）等同） stride=1, #卷积步长，就是卷积操作时每次移动的格子数 padding=0, #原图周围需要填充的格子行（列）数 output_padding=0, #输出特征图边缘需要填充的行（列）数，一般不设置 groups=1, #分组卷积的组数，一般默认设置为1，不用管 bias=Tru
unet网络的上采样、下采样作用
creativity2021的博客
01-23 2485
在编码器中,网络从输入图像中提取多尺度的特征表示,然后通过解码器将这些特征映射回原始图像尺寸,以实现图像分割。因此,上采样和下采样在U-Net中起到了关键的作用,有助于提取更准确的特征表示,从而实现更好的图像分割。在编码器中,下采样操作将特征图的尺寸缩小,然后通过上采样操作将其重新放大,从而保留更多的细节信息。在U-Net中,上采样和下采样是两个重要的操作,用于在编码器和解码器之间传递信息。是指将特征图的尺寸上采样到更高的层次,以增加特征图的细节信息。是指将特征图的尺寸缩小到更高的层次。
基于unet神经网络上采样中的的三种方式的理解
yr99861314的博客
02-03 8746
关于前言 随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容中的一个知识点-上采样。 一、对于unet神经网络上采样中的的三种方式的理解 1.上采样的三种方式 在网上查阅大量资料后，以下是结合unet，对于上采样的三种方式的理解，上采样的三种方式，可以分为1、插值法（最近零插值算法，双线性插值算法，双三次插值算法），2、反池化，3、转置卷积（可学习）。其中转置卷积是主要讨论内容。 2.转置卷积的主要定义 转置卷积，顾名思义是也是一个卷积操作，其
反卷积(上采样)
qq_51180928的博客
01-08 709
反卷积
反卷积中的上采样（decov2d-upsampling）
zeronose的博客
03-11 390
举个简单的例子展示一下反卷积中的上采样，关于上采样目前有四种方法，后续会做个总结 import numpy from keras import layers from keras.models import Model x = numpy.array([[1, 2], [3, 4]]) inputs = layers.Input(shape=(2, 2, 1)) out = layers.UpSampling2D(size=(3, 3))(inputs) model = Model(inputs, out)
基于改进UNet算法的农业图像分割
2301_78464040的博客
06-24 2394
常用的优化器包括Adam等，而损失函数通常选择交叉熵损失等。
Java中的图像分割算法：如何实现高效的UNet与FCN
微赚淘客系统开发者博客
09-04 792
今天我们来探讨如何在Java中实现高效的图像分割算法，特别是UNet（U-Net）和FCN（Fully Convolutional Networks）这两种常用的深度学习模型。图像分割可以分为语义分割和实例分割，语义分割关注像素级的类别标注，而实例分割则关注具体的物体实例。图像分割是计算机视觉中的重要任务，UNet和FCN作为经典的深度学习模型，在不同的应用场景中各有优势。FCN在计算效率上略优，因为它的架构相对简单。：UNet广泛应用于医学图像分割，而FCN常用于一般的语义分割任务，如道路场景的分割。
图像分割算法U-net
mefocus的博客
03-13 3939
UNet是一种用于图像分割任务的深度学习模型，最初由Olaf Ronneberger等人在2015年提出。它的名字来源于其U形状的网络结构。UNet的主要特点是它使用了编码器和解码器结构，其中编码器部分由一系列卷积层和池化层组成，可以对输入图像进行特征提取和压缩。解码器部分则通过上采样和反卷积层将编码器输出的低分辨率特征映射扩展回原始分辨率，从而获得分割结果。
Unet复现，包含不同的上采样和下采样方式
weixin_46088823的博客
05-24 5674
上采样的时候，通道数减半，特征图翻倍。如果使用插值方法，那么先进行插值计算，然后利用卷积实现通道数减半，如果使用转置卷积的话，可以一步实现。一个unet的改进，只是将卷积层的改变，通过替换不同的模块，如resnet的，等等，就可以实现模块的改进。下采样的时候，通道数不变，只有特征图减半了。可以通过maxpool实现，也可以是使用步长为2的卷积实现。每次的卷积计算包括俩部分，第一次卷积将通道数改变，第二次卷积通道数不变。
Unet学习——逆卷积理解（公式推导）
qq_41093957的博客
07-03 3890
Unet结构图 结构图: 实现代码 import torch.nn as nn import torch from torch import autograd #把常用的2个卷积操作简单封装下 class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super(DoubleConv, self).__init__() self.conv = nn.Sequential(
上采用、反卷积、上池化区别
Turbo_Come的博客
03-01 1497
对于Unet网络中的上采样，主要有三种实现形式：上采用、反卷积、上池化，通常情况应用的是反卷积。 1、Upsampling（上采样） 在FCN、U-net等网络结构中，涉及到了上采样： 上采样指的是：任何可以让 图像变成更高分辨率 的技术（上池化、反卷积、插值等） 可以是重采样、插值：将输入图片进行 rescale 到一个想要的尺寸，而且计算每个点的像素点，使用如双线性插值...
反卷积、上采样、上池化
Elvirangel的博客
08-06 628
反卷积、上采样、上池化 反卷积、上采样、上池化图示理解，如上所示。 目前使用得最多的deconvolution有2种。 方法1：full卷积， 完整的卷积可以使得原来的定义域变大 上图中蓝色为原图像，白色为对应卷积所增加的padding，通常全部为0，绿色是卷积后图片。卷积的滑动是从卷积核右下角与图片左上角重叠开始进行卷积，滑动步长为1，卷积核的中心元素对应卷积后图像的像素点。可以看...
FCN于反卷积(Deconvolution)、上采样(UpSampling)
热门推荐
skyfengye的博客
03-01 5万+
最近在研究图像分割方面的内容，图像分割是对图像进行像素进行分类。在这里提到分类，首先想到了 使用深度学习的方法进行分类操作的。 在这里以前的一些传统的方法进行的操作，这里就不细说了。这样使用了深度学习的方法，提到使用深度学习的方法进行图像分割的话。必须要提到 Fully Convolutional Networks for Semantic Segmentation。这篇文章。这也算是深度学
ConvTranspose2d(反卷积操作)
chen772209的博客
07-07 9381
nn.ConvTranspose2d(反卷积操作) 1,公式： **class torch.nn.ConvTranspose2d(in_channels,out_channels,kernel_size,stride=1,padding=0,output_padding=0， groups=1,bias=Tru...
UNET卷积神经网络
01-04
### U-Net卷积神经网络概述 U-Net是一种专为生物医学图像分割设计的卷积神经网络架构[^1]。该网络由两个主要部分组成：收缩路径（Contracting Path）和扩展路径（Expansive Path）。收缩路径负责捕捉上下文信息，而扩展路径则有助于精确定位。 #### 收缩路径（Encoder） 在网络的左侧，即编码器部分，每一层都执行两次3×3的卷积操作，每次卷积后跟有ReLU激活函数以及一次最大池化操作。这些操作能够有效地提取特征并减少空间维度： ```python import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_channels, out_channels): super(DoubleConv, self).__init__() self.conv = nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), # 批量归一化可以稳定和加速训练过程[^3] nn.ReLU(inplace=True), nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1), nn.BatchNorm2d(out_channels), nn.ReLU(inplace=True) ) def forward(self, x): return self.conv(x) def downsample_block(input_features, output_features): conv_layer = DoubleConv(input_features, output_features) max_pool = nn.MaxPool2d(kernel_size=2, stride=2) class DownBlock(nn.Module): def __init__(self): super().__init__() self.maxpool_conv = nn.Sequential(max_pool, conv_layer) def forward(self, x): return self.maxpool_conv(x) return DownBlock() ``` #### 扩展路径（Decoder） 右侧解码器部分通过一系列转置卷积（也称为反卷积）逐步恢复原始的空间分辨率。每一步都会将当前特征图与来自相应编码阶段的裁剪特征图连接起来，从而保留更多细节信息[^2]。 ```python from typing import List def upsample_block(input_features, skip_connection_features, output_features): transposed_conv = nn.ConvTranspose2d(input_features, input_features // 2, kernel_size=2, stride=2) double_conv = DoubleConv(skip_connection_features, output_features) class UpBlock(nn.Module): def __init__(self): super().__init__() self.up = transposed_conv self.conv = double_conv def center_crop_and_concatenate(self, layer_to_upsample, cropped_encoder_output): diffY = cropped_encoder_output.size()[2] - layer_to_upsample.size()[2] diffX = cropped_encoder_output.size()[3] - layer_to_upsample.size()[3] x1 = F.pad(layer_to_upsample, [-diffX // 2, -(diffX - diffX // 2), -diffY // 2, -(diffY - diffY // 2)]) return torch.cat([cropped_encoder_output, x1], dim=1) def forward(self, x, encoder_feature_map): upscaled_x = self.up(x) concatenated_input = self.center_crop_and_concatenate(upscaled_x, encoder_feature_map) return self.conv(concatenated_input) return UpBlock() ``` #### 输出层 最终，在最后一层应用了一个1x1的卷积来映射到所需的类别数量，并通常采用softmax或其他适合分类任务的激活函数作为输出。 ```python final_conv = nn.Conv2d(last_decoder_out_channels, num_classes, kernel_size=1) output_activation = nn.Softmax(dim=1) if is_multiclass else nn.Sigmoid() class OutputLayer(nn.Module): def __init__(self): super(OutputLayer, self).__init__() self.final_conv = final_conv self.activation = output_activation def forward(self, x): logits = self.final_conv(x) probabilities = self.activation(logits) return probabilities ```
评论 1
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