关于UNet weight mapping的解读

最新推荐文章于 2022-07-10 11:56:45 发布
最新推荐文章于 2022-07-10 11:56:45 发布
阅读量1.4k 收藏 7
点赞数 2
分类专栏： 深度学习 扶不起的遥感
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/weixin_42990464/article/details/106523036
版权

文章目录

前言

权重映射（weight mapping）最早于2015年Ronneberger提出，即UWM(U-Net weight mapping)，主要用于解决紧密相邻难以分割开的问题，如下图所示。
在这里插入图片描述
在遥感影像中对城区建筑物分割也同样存在这样的问题，如下方的直方图所示（为便于展示，找了个独栋的建筑物）。
在这里插入图片描述
从图中可以看出，建筑物的边界、内部和背景的灰度信息分布有较大差异，其中边界与背景、内部存在部分重叠，通过引入这些先验知识可使模型更有侧重的学习。权重映射可以较好地完成这个任务。
下图为权重映射后的标签。
在这里插入图片描述

基于权重映射的影像分类方法

在这里插入图片描述
在模型训练时，权重映射参与损失函数的计算，需要注意的是，本文计算的 Loss 值与 WM 尺寸相同，都为多维张量，在得到 FinalLoss 后再计算均值，计算 公式如下所示：FinalLoss = Loss*WM

实验结果对比

原图
在这里插入图片描述
baseline
在这里插入图片描述
UWM
在这里插入图片描述

Reference

点PY
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Unet训练需要使用的权重文件unet_voc.pth
08-06
Unet训练需要使用的权重文件unet_voc.pth 以及.pth转化后的unet.pt文件
Unet语义分割训练和TensorRT部署
08-14
Unet语义分割训练和TensorRT部署
UNet weight map 代码实现
weixin_45052904的博客
11-02 739
本文参考了博客和代码，但是两个实现都不完备，这里进行了整合修改。 首先，论文中给出的weight map的计算公式为： 其中为“weight map to balance the class frequencies”，为与最近的细胞边缘的距离，为与第二近的细胞边缘的距离，和为参数，一般取10和5。 引入要用的包： from skimage import io import matplotlib.pyplot as plt import numpy as np import os import
UNet-FusionNet笔记
Lxp_CC的博客
11-05 781
UNet第一个创新点在于作者根据边缘像素一直以来都是模糊预测这一现象，猜测可能的原因是边缘像素的上下文信息比较少，周围没有像素，提出了对原图像进行镜像翻转，即在边缘像素周边取一定范围的像素进行向外翻转，以获取更多的上下文信息，提高边缘像素的预测精度。 第二个创新点是根据细胞边缘重合导致分割困难（卷积会考虑该像素点周围的特征，若两个细胞贴在一起容易将两个细胞分割成一个细胞）的情况提出加权损失函数，即给两个同一类贴在一起的细胞边界的背景像素点赋予较大的权重，让网络着重学习分割权重较大的像素点。 第三个创新点
FCN和U-Net
yuanyong的博客
08-14 2万+
FCN论文《Fully Convolutional Networks for Semantic Segmentation》这篇论文作为用CNN来做语义分割的开山之作，意义还是非常之大的，目前其他的语义分割模型基本上都是在FCN的基础上做的一些改进。语义分割指的是对图片上的每一个像素所属的类别进行分类，可以应用在图像识别、分割、检测等领域，目前来看最好的应用场景是在自动驾驶上，用于识别道路、行人、车辆
Unet网络详解
qq_58529413的博客
07-10 2万+
Unet网络详解
python 复现 Unet 论文中的 Weight Map
02-24 2720
  相信大家对 Unet 论文中的 weight map 并不陌生。但是我翻遍 github上的几个 Unet 经典实现（包括论文开源的 caffe 版本），都没有找到损失加权图的实现代码。我今天尝试着实现了一下，得到了与论文中几乎一致的结果，分享给大家。转载请在文首注明出处，尊重原创，谢谢。   作 者： 月牙眼的楼下小黑联 系： zhanglf_tmac (WeChat)声 明： 欢迎转...
CVPR 2018值得一看的25篇论文，都在这里了 | 源码 & 解读
热门推荐
Paper weekly
04-26 3万+
作者丨李光睿学校丨重庆大学本科在读研究方向丨计算机视觉Unsupervised Person Image Synthesis in Arbitrary Poses#Ima...
【个人整理】语义分割网络U-Net的设计架构与设计思想
MIss-Y的博客
04-23 5057
前言：语义分割的基本模型大都是在FCN的基础之上进行改进的，本文所要讨论的U-Net网络便是如此，U-net 是基于FCN的一个语义分割网络,适合与少量样本的图像分割，比如用来做医学图像的分割，能够取得非常好的成绩。 一、U-Net网络的结构 1.1 基本信息 1.2 U-Net的主要结构 1.3 网络的输出是什么？ 1.4 U-Net的损失函...
论文阅读笔记（四十一）：U-Net: Convolutional Networks for Biomedical Image Segmentation
sunshine_010的博客
05-05 2221
Abstract. There is large consent that successful training of deep networks requires many thousand annotated training samples. In this paper, we present a network and training strategy that relies on t...
Unet训练和部署代码
08-06
Unet训练和libtorch部署代码: 1、训练部分 2、libtorch部署方法
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...
unet-onnx工程原始模型下载
最新发布
09-28
https://github.com/cagery/unet-onnx/tree/main 开源链接下载不了原始模型unet_carvana_scale1_epoch5.pth，使用git lfs下载也提示报错，最后各种找资源找到了，上传一份，供大家测试使用
Unet分割(Matlab)Demo
03-26
Matlab的Unet网络定义和训练代码
基于遥感影像的道路提取论文、开源代码和数据集汇总
如果想成为中心，那么就到中心去吧。
02-05 2万+
文章目录2019RoadNet: 2019 RoadNet: code: https://github.com/yhlleo/RoadNet 论文的贡献 该文提出了一个多任务像素端到端CNN，道路网，以同时预测路面，边缘和中心线。 道路网自动学习多尺度和多级特征，并在一个专门设计的级联网络中进行整体训练，可以处理各种场景和尺度的道路。 上述子任务在训练阶段是相关的，其中路面分割的预测被应用于道路边缘检测和道路中心线提取。 一方面，精细的路面分割有利于道路边缘检测和道路中心线提取，这可以看作是具有少数复杂背
基于遥感影像的耕地地块提取相关论文、代码以及相关开源数据集
如果想成为中心，那么就到中心去吧。
03-03 2万+
文章目录前言2018Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery 前言 本博文是对关于农田提取论文的简单汇总。有比较新颖的方法，欢迎大家在下面留言。 2018 Deep Extraction of Cropland Parcels from Very High-Resolution Remotely Sensed Imagery 摘要 从高分辨率遥感影像中提取耕地面积是实现精准农业等
使用arcgis生成NDVI
如果想成为中心，那么就到中心去吧。
07-08 1万+
文章目录前言如何在ArcMap中创建NDVI映射如何计算NDVI 前言 一般来说，NDVI使用两种特性来量化健康的植被。它使用近红外（NIR）,因为植被强烈的反射它。它也使用红光，因为植被会强烈吸收红光。处于同样的原因，这就是为什么我们的眼睛将植物视为绿色的原因。 如何在ArcMap中创建NDVI映射 在本教程中，我们要对高植被和低值被进行分类。具有高NDVI值的像素表示高植被或叶绿素。然而，低NDVI值通常意味着植被较少。此外，负的NDVI值是一个很好的指标，表明它是水。 下面，本博文将介绍如何创建一个n
基于深度学习的遥感应用
如果想成为中心，那么就到中心去吧。
06-29 8625
文章目录深度学习的发展过程深度学习在遥感中的应用基于深度学习的遥感样例库建设基于深度学习的遥感影像目标及场景检索基于深度学习的建筑物提取基于深度学习的密集建筑物自动检测基于深度学习的道路自动提取面向国产多视角卫星的深度学习基于多源遥感影像变化检测总结和展望参考 深度学习的发展过程 从2012年深度卷积神经网络（AlexNet）成功应用于图像识别以来，发展出多个改进的卷积神经网络构架，包括2014年牛津大学的VGG,Google公司的GoogleNet，2015年微软研究院Kaiming He推出的残差网络，
建筑物提取数据集
如果想成为中心，那么就到中心去吧。
04-17 8328
前言 建筑物是人类社会生产、生活的主要载体，建筑物轮廓信息是国家基础地理信息的重要组成部分。相比于人工遥感解译与矢量化，结合算法模型从遥感影像中自动提取建筑物轮廓大大减少了人力物力的消耗。这在城市扩张研究、数字城市建设等领域有着广泛的应用。 近年来，全卷积神经网络的不断发展为高精度自动化建筑物提取提供了新的方法。但是，由于建筑物在尺度，建筑风格，形态上有较大差异，目前高精度建筑物提取仍存在较大挑战...
UNet系列算法解读
08-16
UNet系列算法是一类用于图像语义分割的神经网络架构。它最初由Olaf Ronneberger等人在2015年提出，并在后续的研究中进行了改进和扩展。 UNet的核心思想是将编码器和解码器结合起来，以实现精细的特征提取和高分辨率...

“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

打赏作者

点PY

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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