Unet代码解读（一）网络架构

最新推荐文章于 2024-12-15 07:30:00 发布

smallworldxyl

最新推荐文章于 2024-12-15 07:30:00 发布

阅读量4.5k

点赞数 3

分类专栏：图像分割文章标签：图像分割 unet pytorch

本文链接：https://blog.csdn.net/smallworldxyl/article/details/121409052

版权

本文介绍了一种使用VGG16作为特征提取器，并将其与UNet架构相结合的方法来完成图像分割任务。通过预训练的VGG16网络提取图像特征，再利用UNet进行上采样恢复图像细节。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章代码来自博主Bubbliiiing,特此感谢。

一.网络总览

在这里插入图片描述

二. VGG16主干提取网络

文章采用VGG16作为主干提取网络，只会用到两种类型的层，分别是卷积层和最大池化层。
代码对部分层进行了改动，详情可见下方网络结构，可参考下图作为理解
在这里插入图片描述
完整代码如下：

1.vggnet

import torch
import torch.nn as nn
from torchvision.models.utils import load_state_dict_from_url

class VGG(nn.Module):
    def __init__(self, features, num_classes=1000):
        super(VGG, self).__init__()
        self.features = features
        self.avgpool = nn.AdaptiveAvgPool2d((7, 7))
        self.classifier = nn.Sequential(
            nn.Linear(512 * 7 * 7, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, num_classes),
        )
        self._initialize_weights()

    def forward(self, x):
        x = self.features(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.classifier(x)
        return x

    def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
                if m.bias is not

最低0.47元/天解锁文章