Swin_Unet & Trans_UNet & Unet & Deeplabv3网络推理时间对比

已于 2022-08-13 20:37:16 修改
阅读量2k 收藏 6
点赞数 1
分类专栏： 深度学习 文章标签： 人工智能 深度学习
于 2022-08-13 19:28:59 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/zhouzongzong/article/details/126322625
版权

1、Unet网络推理：用Vgg网络作为主干网络
电脑路径：在这里插入图片描述
libtorch Gpu，图片大小需要改为640 *640，推理时间为：训练时间结果为：
在这里插入图片描述
2、Unet网络推理：用Unet本身网络
电脑路径：在这里插入图片描述
图片大小需要改为640 *640，推理时间为：0.2s在这里插入图片描述
3、Swin_Unet网络推理：利用注意力机制
电脑路径：在这里插入图片描述
图片大小需要改为224 *224，推理时间为：0.2s左右
在这里插入图片描述4、deeplabv3网络推理：利用mobilenet或者xception作为主干网络
电脑路径：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
胖子工作室
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
Swin_Unet & Trans_UNet & Unet & Deeplabv3网络训练结果对比
zhouzongzong的博客
08-07 1847
语义分割对比
【语义分割系列】基于Mobilenetv4的Deeplabv3+分割算法
最新发布
qq_42782701的博客
05-28 501
Mobilenet系列是深度学习中非常经典且具有重大意义的网络结构。目前最新出来的结构是Mobilenetv4，本文在Segframe的基础上给出Mobilenetv4的代码，以及如何在Deeplabv3+中进行调用。使用Unet，或者其他算法的小伙伴也可以参考。(密码：p5y8)
Python-重新实现用于模糊图像分割的概率UNet中描述的模型
08-11
重新实现“用于模糊图像分割的概率U-Net”中描述的模型
图像分割系列概述FCN、UNet、DeepLab
Toocy7的博客
06-22 4874
摘要 图像分割的本质是像素级别的分割。广泛应用于医疗成像、自动驾驶领域等。 图像分割的类型： 普通分割：将不同类别不同物体的像素区域分开，比如分开前景和后景。 语义分割：在普通分割基础上，分类出每块区域的语义（什么物体）。将画面中所有物体都指出各自的类别。 实例分割：在语义分割的基础上， 识别并给出每个相同的物体的编号。 FCN 普通CNN网络用于输出图像级别的分类和回归任务。它的尾部是全连接输出固定的值。而FCN将CNN最后一层全连接层替换为卷积层，输出一张Label好的图片。这种结构就是一种编解码的结构
秒杀DeepLabv3+与UNet的表面缺陷检测网络
zero的博客
10-12 3646
点击上方“AI算法与图像处理”，选择加"星标"或“置顶”重磅干货，第一时间送达推荐文章【点击下面可直接跳转】：2020 年校招，最值得加入的互联网公司有哪些？来源：ope...
TransUNet：Transformers Make Strong Encoders for Medical Image Segmentation用于医疗图像分割的transformers编码器详解
weixin_43656644的博客
03-20 1万+
原文地址：https://arxiv.org/pdf/2102.04306.pdf 收录：CVPR 2021 代码:https://github.com/Beckschen/TransUNet 首篇将transformers用于医疗分割的文章 设计的Idea：UNet +transformers的结合体，使用的具体模块:ViT+ResNet50+skip connection 对关键的公式，和结构图进行了个人的一些注释，供大家参考。 摘要 在医学图像中， U-Net, 已经成为了 de-f..
医学图像分割之TransUNet
yjysunshine的博客
04-20 5256
对TransUNet模型结构的介绍。
Swin-Unet pytorch代码
05-01
Swin-Unet是一种基于Swin Transformer的卷积神经网络架构，专为图像分割任务设计。在深度学习领域，特别是计算机视觉，Swin-Unet结合了Transformer的全局信息处理能力和传统Unet的局部上下文捕获特性，提高了图像...
UNet_unet代码_Unet图像分割_医学图像分割_unet代码_UNet_
10-03
《深入理解UNet：经典神经网络模型在医学图像分割中的应用》 UNet是一种经典的卷积神经网络（Convolutional Neural Network, CNN）架构，尤其在医学图像分割领域展现出强大的性能。该模型由Ronneberger等人于2015年...
Swin-Unet网络预训练模型，swin-tiny-patch-window7-224.pth
04-27
Swin-Unet是一种基于Swin Transformer的深度学习网络模型，主要应用于图像分割任务。Swin Transformer是Transformer架构在计算机视觉领域的一个创新应用，由Liu等人于2021年提出。它通过引入窗口内的自注意力机制，...
swin_tiny_patch4_window7_224.pth
05-07
标签"综合资源 swinunet"表明这个模型可能与Swin Transformer在网络架构上的改进版Swin UNET有关，Swin UNET结合了Swin Transformer的强大特征提取能力和UNET的经典对称结构，适用于图像分割任务，尤其是在医疗影像...
Swin-Unet-Transformer网络-用于语义分割-二分类
03-21
Swin-Unet是基于Swin Transformer的一种网络结构，它是对传统的卷积神经网络（CNN）的改进。Swin Transformer是由Liu等人在2021年提出的，其核心思想是引入了窗口自注意力机制，解决了传统Transformer全局自注意力...
TransUNet
热门推荐
zjiafbaodaozmj的博客
07-24 2万+
github：https://github.com/Beckschen/TransUNet TransU-net就是transformer+U-net 且整体的网络架构还是U-net，只有在encoder结构上运用 了transformer的encoder结构，这样可以提取更好的特征。 因为CNN受感受野的缘故，始终不能很好地利用全局信息，或者说需要很多层后才能得到抽象的全局信息，但CNN对局部细节信息可以很好地提取。 transformer网络由于具有self-attention结构，所以对于全局信息的提
【语义分割】算法理论梳理：基础理论/常见网络FCN、DeepLab、LR-ASPP、UNet、U2Net
ShiTianlei的博客
08-24 2503
图像分割中语义分割算法的理论梳理，主要针对算法的演化思路以及涉及到的专有名词（如转置卷积、膨胀卷积、mean IoU等)进行总结，想要对语义分割算法有一个框架式、全局掌握的小伙伴可以来看一眼。
TransUNet与TBI数据集
qq_40636486的博客
10-13 2013
一方面，在医学图像分割领域，UNet已经取得了很优秀的效果，但传统CNN结构感受野有限，不擅长建立远程信息连接，导致最终效果受限。另一方面，Transformer这种全局自注意力机制可以有效地获取全局信息，但其对于低层次细节信息获取不充分，导致其定位能力方面受到限制。所以这篇文章提出了TransUNet，将Transformer和U-Net结合了起来，它同时具有Transformers和U-Net的优点，是医学图像分割的强大替代方案。
Deeplabv3+概述（语义分割，小白必看）
m0_64524798的博客
02-27 1万+
关于图像分割的语义分割
【医学分割】TransUnet
可乐大牛的博客
07-14 2359
transunet是transformer与unet的强强联合，transformer将CNN的特征图处理成sequence，借助self-attention操作捕捉全局的信息，将这部分信息上采样之后与高分辨率特征图融合，有效的提高了分割任务的效果，实现精准定位。 因为unet是优秀的分割网络，但是由于卷积操作天然的一些问题，比如平移不变性和捕捉长期依赖能力的不足等等，而transformer能够很好地解决这两个问题，但是它的处理缺乏一些细粒度信息，导致定位不够精确，所以两者的结合可能能够产生更好的效果。
TransUNet论文笔记
charles_zhang_的博客
05-05 5264
TransUNet论文笔记 TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation Abstract 医学图像分割是开发医疗保健系统，尤其是疾病诊断和治疗计划的必要前提。在各种医学图像分割任务中，u-shaped体系结构（也称为U-Net）已成为事实上的标准，并取得了巨大成功。然而，由于卷积运算的固有局部性，U-Net通常在显式建模长期依赖性方面存在局限性。设计用于序列到序列预测的transformers已经成为
国庆假期看了一系列图像分割Unet、DeepLabv3+改进期刊论文，总结了一些改进创新的技巧
包括YOLOv5、YOLOv7、YOLOv8等模型改进
10-06 1万+
图像分割系列改进论文如何寻找自己的创新点呢？重点是如何发？ 下面将提供几种总结思路。
帮我写一段swin-unet网络模型的运行过程
03-29
SWIN-UNet是一种基于SWIN Transformer的语义分割网络模型。它的运行过程如下： 1. 输入数据：首先将输入的图像数据传入网络模型中。这些图像数据是经过预处理的，例如调整大小、标准化等。 2. 编码器：输入数据通过编码器进行特征提取，提取出高层次的语义特征。SWIN-UNet使用的是基于SWIN Transformer的编码器，它能够在保持高效性的同时，提供更好的特征提取能力。 3. 解码器：编码器提取的特征被传递到解码器中，解码器使用反卷积操作将特征图逐渐恢复到输入图像的大小。解码器还会使用跳跃连接来将编码器的低层次特征与解码器的高层次特征相结合。这有助于保留更多的空间信息，提高分割的准确性。 4. 损失函数：在训练过程中，SWIN-UNet使用交叉熵损失函数来计算预测结果与真实标签之间的差异。网络通过反向传播算法来优化损失函数，使得预测结果更加准确。 5. 预测结果：在测试过程中，输入图像通过网络模型，最终得到分割结果。分割结果可以通过二值化操作转换为掩膜图像，用于图像分割任务。 总的来说，SWIN-UNet网络模型运行过程包括输入数据、编码器、解码器、损失函数和预测结果等步骤，通过逐步提取特征和结合跳跃连接，提高了分割的准确性。

“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
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

胖子工作室

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