解决U-net上采样过程后，结合下采样信息时特征图大小不匹配问题

最新推荐文章于 2024-05-03 11:56:26 发布
最新推荐文章于 2024-05-03 11:56:26 发布
阅读量1.2w 收藏 20
点赞数 11
分类专栏： 目标检测
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/sinat_39307513/article/details/84570299
版权

在U-net下采样后时，通过polling层，可能会出现这种情况，37*37feature maps 压缩成18*18大小，但在上采样过程中，利用

nn.ConvTranspose2d()通常变为36*36大小的feature maps,不同大小的feature maps在进行concat时会报错。

解决这种问题可以采用追加一个反卷积过程，在判断到两个过程得到的feature maps大小不匹配时，使用kernel_size=2,stride=1的反卷积过程，将当前特征映射扩大。

nn.ConvTranspose2d(in_channels=in_channels,out_channels=out_channels,kernel_size=2,stride=1)
花花花哇_
关注
  • 11
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Unet论文阅读笔记
nothasson
01-11 2167
Unet 论文链接：https://arxiv.org/pdf/1505.04597v1.pdf github：https://github.com/milesial/Pytorch-UNet Unet借鉴了FCN网络，其网络结构包括两个对称部分：前面一部分网络与普通卷积网络相同，使用了3x3的卷积和池化下采样，能够抓住图像中的上下文信息（也即像素间的关系）；后面部分网络则是与前面基本对称，使用的是3x3卷积和上采样，以达到输出图像分割的目的。此外，网络中还用到了特征融合，将前面部分下采样网络的特征与后面
python - 信用卡欺诈异常值检测（上采样、下采样）相关文件
07-06
2.下采样数据集 1)K折交叉验证，并打印每次迭代的召回率，选择最优的正则化参数值。 2)利用该参数值重新训练数据，并在下采样数据集的test数据集上进行预测，画出混淆矩阵在原始数据集的test数据集上进行预测。画出...
Pytorch上下采样函数--interpolate用法
09-16
主要介绍了Pytorch上下采样函数--interpolate用法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
图像下采样再上采样维度不匹配
qq_43733107的博客
11-29 1873
图像下采样再上采样维度不匹配
UNet++学习/实现笔记
最新发布
weixin_62701031的博客
05-03 661
总代码：
两种方式处理上下采样维度不匹配的问题
qq_34532604的博客
01-25 7574
本人做深度学习图像分割，想把任意大小的三维图像不crop直接输入神经网络中，我采用的是3D-Unet，这里以512*512*295为例，只有第三维为奇数，若其它维度出现奇数，同理。 在下采样时，295/2 = 142 ，上采样回去时若不进行处理，则142*2 = 294 不能复原，有以下两种方法可解决这个问题。 一、反卷积（transpose） # 在contact之前需要判断两个向量的...
使Unet下采样再上采样后尺寸一致pad_tensor
weixin_43466026的博客
07-15 1661
def pad_tensor(input,divide = 16):#divide 为下采样倍数 height_org, width_org = input.shape[2], input.shape[3] if width_org % divide != 0 or height_org % divide != 0: width_res = width_org % divide height_res = height_org % divide
图像处理用到concatenate操作时，size不匹配
moshiyaofei的博客
04-06 2561
图像处理用到concatenate操作时，size不匹配，像在unet的skip connection中， 1.第一种方式，使用padding 0填充。 2.如果不使用padding填充，很多情况是由于图像尺寸上采样、下采样之后尺寸不匹配，是有奇数、偶数造成的。避免这种情况的做法是：假设下采样次数是4次，那么将输入图像size设置为2^(4+1)=32的倍数，这样就不会出现奇数、偶数不一致的情...
问题1、图像分割预测时原始图片大小与预测图片大小不一致
weixin_45671036的博客
04-02 5232
以Unet网络为例1、背景2、添加灰度条3、思路与代码 1、背景 在进行图像分割预测的时候，我们输入网络的图片往往是正方形的(512x512,224x224甚至更小)，那么预测出图片的大小也和输入网络的图片大小一样，是正方形的，怎么让预测出来的图片和原始图片长宽比例相同呢？代码与思路如下： 2、添加灰度条 由于在图片进入到网络之前，往往需要裁剪或者resize，那么对于原始图片是长方形的，如果裁剪，则会丢失信息，如果resize则会失真，因此添加灰度条是保证图片既不会失真也不会丢失信息的一个方法。 3、思路
【避坑】nn.ConvTranspose2d()后的尺寸问题
weixin_44856492的博客
10-30 3589
使用反卷积nn.ConvTranspose2d()后尺寸与之前不匹配的问题 原因分析 报错：RuntimeError: Sizes of tensors must match except in dimension 2. Got 224 and 223 分析：在使用torch.cat(x,y)时，x和y维度不一致，一个是224224，一个是223223 进一步分析：是在用Unet时，解码中用到的反卷集nn.ConvTranspose2d()使得恢复后的尺寸发生了改变 原理补充 如果输入尺寸为size_in
池化核与输入特征图的关系
qq_26024067的博客
09-30 464
pytorch版本的异同
深度图拼接
ooyyee的专栏
07-19 567
特征匹配这里便是我们利用NCC做匹配的步骤啦，匹配方法如上所述，右视图中与左视图待测像素同一水平线上相关性最高的即为最优匹配。完成匹配后，我们需要记录其视差d，即待测像素水平方向xl与匹配像素水平方向xr之间的差值d=xr-xl，最终我们可以得到一个与原始图像尺寸相同的视差图D。根据上述得到的重映射参数map1,map2，我们需要进一步对原始图像进行重映射到新的平面中才能去除图像畸变。深度恢复通过上述匹配结果得到的视差图D，我们可以很简单的利用相似三角形反推出以左视图为参考系的深度图。......
Wave-U-Net:Wave-U-Net的实现，用于音频源分离
05-02
通过一系列涉及一维卷积的下采样和上采样块以及下采样/上采样过程，可以在抽象和时间分辨率的多个尺度/级别上计算特征，并进行组合以进行预测。 有关网络体系结构的摘要，请参见下图。参加SiSec分离竞赛Wave-U-Net...
probabilistic_unet:结合变式自动编码器的U-Net，能够学习语义分段上的条件分布
05-04
概率U网+ **Update**+ An improved Model (the Hierarchical Probabilistic U-Net) + LIDC crops is now available. See below. 重新实现``用于歧义图像分割的概率U-网络''（ ）中描述的模型。 这也是NeurIPS上的...
基本上采样和下采样代码：基本上采样和下采样代码-matlab开发
05-29
任何信号的基本上采样和下采样代码
unet 浅浅一学
m0_61033026的博客
07-31 196
unet
【opencv图像加减运算异常/下采样后上采样图像尺寸不匹配】
weixin_51315141的博客
08-24 356
pyrDown和pyUp默认是行和列都变为原来的1/2，但是如果行或列为奇数时，奇数➗2之后，我理解为小数点为0.5会进一，这就会产生上面的情况，下采样时【720×457】变为【360×229】，上采样【360×229】变为【720×458】。有人会想，这不是和默认一样嘛，但是仔细想一想，默认是0.5进一，而C++中整数除法是向下取整的，没有小数这一说，这样就跳过了可能报错的地方。设置断点后查看图像发现down1和down2_up尺寸差了1，于是后面的减运算操作就会弹出异常。1.图像的大小或者格式不一致。
38.图像语义分割-UNET
potato123232的博客
12-07 1533
目录 1UNET简介 2数据集介绍 2.1labels.py 2.2展示标注数据集图像 3代码部分 3.1导入库 3.2读取路径 3.3创建数据集 3.4定义加载图像函数 3.4.1concat的用法 3.4.2tf.image.resize() 3.4.3回到定义的crop_img()方法 3.4.4定义翻转方法 3.4.5定义加载训练图像函数 3.4.6定义加载测试图像函数 3.5定义相关变量 3.6加...
UNet学习笔记
qq_44695454的博客
09-21 2815
语义分割
u-net网络怎样上采样
05-26
U-Net网络是一种常用于图像分割任务的神经网络，它包含一个下采样（编码）路径和一个上采样（解码）路径。在下采样路径中，每个卷积层都会减小特征图的大小，同时增加特征图的通道数。在上采样路径中，每个卷积层都会增大特征图的大小，同时减小特征图的通道数。其中，U-Net的上采样过程采用反卷积（Transpose Convolution）和跳跃连接（Skip Connection）两种方式。 反卷积操作是一种将低分辨率特征图映射回高分辨率特征图的方法。在U-Net网络中，反卷积操作通常被称为转置卷积（Transpose Convolution）或分数步长卷积（Fractionally Strided Convolution）。它可以将特征图的大小扩大为原来的2倍、4倍等，并且可以通过卷积核的学习来实现上采样的过程。在实现时，需要设置正确的步长、填充方式和输出通道数，以便保持特征图的大小和通道数。 跳跃连接是一种将低层特征图与高层特征图直接连接的方法。在U-Net网络中，跳跃连接可以帮助保留原始图像的细节信息，从而提高分割的准确性。在上采样路径中，每个卷积层都会将上一层的特征图与下采样路径中对应的特征图进行连接，从而实现跳跃连接的效果。 综上所述，U-Net网络的上采样过程通常采用反卷积和跳跃连接两种方式。这些操作可以帮助将低分辨率特征图转换为高分辨率特征图，并且保留原始图像的细节信息，从而提高分割的准确性。

“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 2
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