图像分割（Unet算法学习笔记）

已于 2023-05-13 14:20:50 修改
阅读量1.1k 收藏 6
点赞数 1
分类专栏： 毕业论文 文章标签： 算法 学习 计算机视觉
于 2023-03-09 12:47:59 首次发布
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_52934831/article/details/129230334
版权

Unet 属于Fcn的变体
不支持多分类，只能二分类

知识提要

数据集使用VOC2012
CNN 卷积神经网络Convolutional Neural Network
GPU图像处理单元=Graphic Processing Unit)图形处理器
convolution 卷积
ReLU全名Rectified Linear Unit，意思是修正线性单元
bn全称Batch Normalization批标准化
FC全连接神经网络是一种最基本的神经网络结构，英文为Full Connection

语义分割和实例分割

语义分割就是把人和动物分开，实例分割就是在此基础上把人也区分开

损失函数

在这里插入图片描述
预测概率为95%，说明挺好了，权值要设的比较低，比较简单
若概率为0.5，比较难，权值比较高，平方以后权值差异较大

iou计算

在这里插入图片描述
绿框的数值和黄框的数值加起来-801

Miou计算在这里插入图片描述

IOU计算结果为左图交集的结果除以右图并集的结果
MIOU即求计算所有类别的平均值

卷积神经网络CNN

传统网络一共特征值，卷积网络三维
在这里插入图片描述

卷积的作用

在这里插入图片描述

图像颜色通道

在这里插入图片描述
在这里插入图片描述
将三个通道的结果叠加在一起
在这里插入图片描述
在这里插入图片描述
在已有卷积的基础上继续做卷积

卷积层的重要参数

步长

在这里插入图片描述

卷积核尺寸

一般取3X3

边缘填充

+pad1
在这里插入图片描述
在边界上加上一圈0，可以让边界上的数字利用率变高，且不会对最终数据产生影响

卷积核个数

卷积结果计算

在这里插入图片描述
在这里插入图片描述

卷积参数共享

每个区域用相同的核处理
在这里插入图片描述

池化的作用

压缩作用
在这里插入图片描述

整体网络架构

两次卷积一次池化
在这里插入图片描述
只有带参数计算的才能算一层神经网络
下图为7层在这里插入图片描述

感受野的作用

在这里插入图片描述

Unet网络

在这里插入图片描述

Unet++版本

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

实例

预处理

此算法将一张图片中每个细胞都单独拎出来作为一个标签，预处理就是将众多的标签进行合并
开始讲解视频 https://www.bilibili.com/video/BV1zb411R7vU/?p=21&spm_id_from=pageDriver&vd_source=f991aae54cfa30efc5899b3ae41bbbed第21集开始
debug视频第23集：特征融合方法演示

train文件数据增强

使用 Albumentations 库进行数据加强
操作步骤
在这里插入图片描述

dataset文件

第一部通过opencv将图片读入

archs文件

查看train函数流程
在forward（）函数前面打断点，是入口地址

val文件画图在这里插入图片描述

保存原始数据，分割数据，标签数据

文件运行的参数即模型的名字在哪个文件夹中
其实和训练的流程一样
model.eval()模式即验证模式，参数不发生更新

文件保存内容解读

E:\大学文件\Unet（没跑过）\unet++\models\dsb2018_96_NestedUNet_woDS\model.pth保留 模型文件
log文件记录在这里插入图片描述
lr 学习率

数据集存放位置

E:\大学文件\Unet（成功）\unet++\inputs\dsb2018_96\images 存放原始图片
E:\大学文件\Unet（成功）\unet++\inputs\dsb2018_96\masks 存放标签图片

张李浩
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
unet网络实现图像分割.zip
06-10
unet网络实现图像分割
DSB2018:数据科学碗2018
05-14
描述 Kaggle 2018数据科学碗：在不同图像中找到原子核以促进医学发现 发展计划： 平台和框架 火炬 苹果系统 的Ubuntu 探索模型架构 网络 轮廓感知模型（2个任务） 轮廓感知标记模型（3个任务） 仅对相邻原子核进行边界检测 DCAN（切换到多任务UNet判断bt实验结果） 轮廓检测的训练效率 遮罩RCNN 混合规模密集CNN（有关当前深度学习框架设计的超慢速训练/推论） 膨胀卷积 辍学 批量归一化 转移学习 Vgg（16） ResNet（34、101） 密集网（121，201） 计分功能 成本函数 二元交叉熵 像素级IoU，无论实例如何 实例边界每距离的损失权重 焦点损失（注意失衡损失） 基于距离变换的权重图 形状感知重量图 超参数调优 学习率 输入尺寸（尝试384x384，由于训练速度慢而推迟） 置信度阈值 调整
UNet 系列：做医学图像分割的任何人，都必须要会使用 nnU-Net_nnunet和unet区别(1)
最新发布
2401_84181942的博客
04-27 746
在这个时候，如果我们还有一张低分辨率的图片，虽然它的细节不够，但可以快速看到图上大概有哪些行星，那么小学生就可以用低分辨率的图片找到大概的位置，然后用高分辨率的图片去精确地找到行星和识别行星。因为在网络的深层中，网络可能已经失去了原始的信息，这时候如果有跳跃连接直接跳回到浅层获取原始的信息，网络就能更好的综合考虑全局和局部的信息，做出更准确的预测。当你在后面的步骤中遇到困难的时候，往往需要回头去查看前面的步骤，这时候如果你能直接回到具体的步骤，看到原始的解题思路，那你会更快的找出问题，并完成作业。
unet对voc2012数据集分割
iteslafan的博客
11-20 3409
数据的读取 torch.utils.data.Dataset 对Dataset的具体介绍 Dataset是一个抽象类，相比于自己写的迭代器，它可以方便地实现多线程读取，shuffle，batch操作 自定义一个类继承它，需要自己实现__getitem__ () len__() ...
图像分割中常用数据集及处理思路（含代码）
shengweiit的博客
04-26 4525
一些分割常用的道路数据集，以及一个普遍适合的读入数据代码
U-Net和U-Net++代码，Pytorch实现，数据集2018 Data Science Bowl
m0_46582737的博客
01-16 764
跑通的unet和unet++代码，并加了每句代码的解释
Unet代码详解（三）损失函数和miou计算
热门推荐
smallworldxyl的博客
11-26 1万+
所有代码来自博主Bubbliiiing，十分感谢 1.相关函数 （1）上采样函数Interpolate (2)交叉熵损失函数CrossEntropyLoss 二.损失 先贴一段训练时的损失计算代码 import torch import torch.nn as nn import torch.nn.functional as F from torch import nn def CE_Loss(inputs, target, cls_weights, num_classes=21): n,
Unet图像分割 包含代码注解
02-19
本资源使用pytorch实现unet，包含了少量医学图像数据集作为示例，和图像分割的代码注解，一键即可跑通 适用于用于学习图像分割的小白 本代码可作为图像模板，在任何场景下使用，可以使用资源中的少量数据作为模板...
图像分割技术+传统分割算法到深度学习的算法总结
04-13
图像分割算法的发展流程，包括传统的经典图像分割算法与基于深度学习的图像分割算法。 包括整体的发展过程与部分实验结果展示。
算法部署-使用NCNN部署MXnet-Unet图像分割算法-优质算法部署项目实战.zip
03-12
在本项目中，我们将深入探讨如何使用NCNN框架来部署MXnet实现的Unet图像分割算法，这是一个高质量的算法部署实战案例。首先，让我们逐一解析关键概念和步骤。 1. **算法部署**：这是将训练好的机器学习模型投入实际...
unet图像分割数据集.zip
06-23
本文将围绕“unet图像分割数据集.zip”这一主题，详细介绍该数据集及其背后的深度学习技术。 一、U-Net网络架构 U-Net是由Ronneberger等人在2015年提出的，主要用于生物医学图像分割。其设计灵感来源于全卷积网络...
UNet - 预测数据predict(多个图像的分割)
Henry的博客
11-18 6109
目录1. 介绍2. predict 预测分割图片3. 结果展示4. 完整代码之前已经将unet的网络模块、dataset数据加载和train训练数据已经解决了，这次要将unet网络去分割图像，下面是之前的链接unet 网络：UNet - unet网络dataset 数据处理：UNet - 数据加载 Datasettrain 网络训练：UNet - 训练数据train待分割的图像如下： 存放的路径在U-net项目的predict里面我们的目标是将predict里面所有的图片分割出来，按照名称顺序保存在resu
【个人记录 | UNet | 整理ing】
sinat_40759442的博客
11-30 2793
和UNet做好朋友：代码/框架/整理/阅读
深度学习---图像分割代码（使用PyTorch进行训练、预测、TensorRT部署）
Major_S的博客
04-30 2666
深度图像分割代码深度图像分割代码深度图像分割代码
用UNet做PASCAL VOC2012图像分割
ningmengzhihe的博客
10-09 1731
用UNet网络做PASCAL VOC2012图像分割
【U-net++ 数据集：dsb2018_96 （细胞）代码部署问题】
weixin_45757219的博客
07-17 554
Unet++的程序中出现AttributeError: module ‘albumentations.augmentations.transforms’ has no attribute ‘RandomRotate90’ 解决办法： module ‘albumentations.augmentations.transforms’ has no attribute ‘Resize’ 解决办法：
UNet++详细解读（一）论文技术要点归纳
qq128252的博客
10-28 5636
跳跃连接在分割网络中十分重要，可以结合深层和浅层的语义信息。在FCN中跳跃连接是通过元素级别的相加来实现的，在UNet中是通过拼接操作来实现的。是否可以将Resnet和Densnet中的密集连接移植过来？医学上的分割需要更精确，Unet无法满足，因此提出 了UNet++。
nnUNet 更改学习率和衰减优化器的方法
qq_36340554的博客
11-06 951
我们可以继承nnUNetTrainer类重写一个 nnUNetTrainerCosAnneal类，当然nnUnet已经贴心的为我们写好了 在.\nnUNet\nnunetv2\training\nnUNetTrainer\variants\optimizer\nnUNetTrainerAdam。警告已经说的很明白了，就不翻译了，为了避免不能在训练的时候调整学习率，我们需要去改变。要修改优化器也可以直接在。
unet论文_图像分割之RefineNet 论文笔记
weixin_39717704的博客
12-11 368
RefineNet: Multi-Path Refinement Networks forHigh-Resolution Semantic Segmentation (2017) 论文笔记文章的创新点在于decoder的方式，不同于U-Net在上采样后直接和encoder的feature map进行级联，本文通过RefineNet进行上采样，把encoder产生的feature和上一阶段decod...
图像分割unet pytorch
01-17
图像分割是计算机视觉领域中的重要任务，其目标是将图像分割成多个不同的区域，以便更好地理解图像中的内容。UNet是一种常用于图像分割的深度学习模型，通过使用PyTorch框架，可以更加高效地实现UNet模型。 UNet模型由编码器和解码器组成，编码器用于提取图像的特征，而解码器则用于将提取到的特征映射回原始图像尺寸。在PyTorch中，可以使用nn.Module来定义UNet模型的结构，通过继承nn.Module类来自定义编码器和解码器的网络结构，然后使用torch.nn.functional中的函数来定义模型的前向传播过程，实现特征提取和特征映射。 在训练UNet模型时，可以使用PyTorch提供的优化器和损失函数来对模型进行优化，如Adam优化器和交叉熵损失函数。通过对训练数据进行迭代训练，可以不断优化UNet模型，以使其能够更好地实现图像分割任务。 在应用UNet模型进行图像分割时，可以使用PyTorch提供的图像处理库对输入图像进行预处理，并使用训练好的UNet模型对图像进行分割，得到分割后的图像结果。这样可以快速、高效地实现图像分割任务，并且在PyTorch框架中还可以使用GPU加速来提高计算速度。 总之，通过使用PyTorch框架实现UNet模型进行图像分割任务，可以更加方便地定义模型结构、训练模型和应用模型，从而实现高效、准确的图像分割。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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