网站建设专业知识应用,珠海网站建设推广公司,什么是网站开发技术,国内物流公司网站建设#x1f341;#x1f341;#x1f341;图像分割实战-系列教程 总目录 有任何问题欢迎在下面留言 本篇文章的代码运行界面均在Pycharm中进行 本篇文章配套的代码资源已经上传 unet医学细胞分割实战1 unet医学细胞分割实战2 unet医学细胞分割实战3 unet医学细胞分割实战4 unet…图像分割实战-系列教程 总目录 有任何问题欢迎在下面留言 本篇文章的代码运行界面均在Pycharm中进行 本篇文章配套的代码资源已经上传 unet医学细胞分割实战1 unet医学细胞分割实战2 unet医学细胞分割实战3 unet医学细胞分割实战4 unet医学细胞分割实战5 unet医学细胞分割实战6
9 模型架构类----archs.py解读
这部分内容主要解析本任务使用的网络主要有两个网络可以选择一个是Unet另一个是NestedUNet实际上就是UNet这两个网络的都是主要调用了VGG块来进行网络的构建
9.1 VGGBlock
import torch
from torch import nn
__all__ [UNet, NestedUNet]class VGGBlock(nn.Module):def __init__(self, in_channels, middle_channels, out_channels):super().__init__()self.relu nn.ReLU(inplaceTrue)self.conv1 nn.Conv2d(in_channels, middle_channels, 3, padding1)self.bn1 nn.BatchNorm2d(middle_channels)self.conv2 nn.Conv2d(middle_channels, out_channels, 3, padding1)self.bn2 nn.BatchNorm2d(out_channels)def forward(self, x):out self.conv1(x)out self.bn1(out)out self.relu(out)out self.conv2(out)out self.bn2(out)out self.relu(out)return out首先来看看一个VGG块实际上就是数据经过几个卷积relu
输入数据经过一个3*3的卷积经过一个batchNormalization经过一个relu再次经过一个3*3的卷积再次经过一个batchNormalization再次经过一个relu得到输出
这就是一个VGG块的过程其中每次进入的数据的长宽、输出通道都是在调用VGG块的时候进行定义的每一个VGG块有三个参数需要指定分别是输入通道数、中间通道数、输出通道数
9.2 Unet
class UNet(nn.Module):def __init__(self, num_classes, input_channels3, **kwargs):super().__init__()nb_filter [32, 64, 128, 256, 512]self.pool nn.MaxPool2d(2, 2)self.up nn.Upsample(scale_factor2, modebilinear, align_cornersTrue)self.conv0_0 VGGBlock(input_channels, nb_filter[0], nb_filter[0])self.conv1_0 VGGBlock(nb_filter[0], nb_filter[1], nb_filter[1])self.conv2_0 VGGBlock(nb_filter[1], nb_filter[2], nb_filter[2])self.conv3_0 VGGBlock(nb_filter[2], nb_filter[3], nb_filter[3])self.conv4_0 VGGBlock(nb_filter[3], nb_filter[4], nb_filter[4])self.conv3_1 VGGBlock(nb_filter[3]nb_filter[4], nb_filter[3], nb_filter[3])self.conv2_2 VGGBlock(nb_filter[2]nb_filter[3], nb_filter[2], nb_filter[2])self.conv1_3 VGGBlock(nb_filter[1]nb_filter[2], nb_filter[1], nb_filter[1])self.conv0_4 VGGBlock(nb_filter[0]nb_filter[1], nb_filter[0], nb_filter[0])self.final nn.Conv2d(nb_filter[0], num_classes, kernel_size1)def forward(self, input):x0_0 self.conv0_0(input)x1_0 self.conv1_0(self.pool(x0_0))x2_0 self.conv2_0(self.pool(x1_0))x3_0 self.conv3_0(self.pool(x2_0))x4_0 self.conv4_0(self.pool(x3_0))x3_1 self.conv3_1(torch.cat([x3_0, self.up(x4_0)], 1))x2_2 self.conv2_2(torch.cat([x2_0, self.up(x3_1)], 1))x1_3 self.conv1_3(torch.cat([x1_0, self.up(x2_2)], 1))x0_4 self.conv0_4(torch.cat([x0_0, self.up(x1_3)], 1))output self.final(x0_4)return outputUnet网络主要都是调用VGG块来构建的
首先输入数据进入一个定义好的VGG块conv0_0 得到x0_0x1_0、x2_0、x3_0、x4_0都是先经过一个(2,2)的maxpooling后再经过一个定义好的VGG块而x3_1、x2_2、x1_3、x0_4都是先与其对应的数据进行拼接后再经过一个定义好的VGG块具体原理可以参考这篇文章最后把x0_4的输出经过一个二维卷积得到最终的输出
9.3 NestedUNet
9.3.1 构造函数
class NestedUNet(nn.Module):def __init__(self, num_classes, input_channels3, deep_supervisionFalse, **kwargs):super().__init__()nb_filter [32, 64, 128, 256, 512]self.deep_supervision deep_supervisionself.pool nn.MaxPool2d(2, 2)self.up nn.Upsample(scale_factor2, modebilinear, align_cornersTrue)self.conv0_0 VGGBlock(input_channels, nb_filter[0], nb_filter[0])self.conv1_0 VGGBlock(nb_filter[0], nb_filter[1], nb_filter[1])self.conv2_0 VGGBlock(nb_filter[1], nb_filter[2], nb_filter[2])self.conv3_0 VGGBlock(nb_filter[2], nb_filter[3], nb_filter[3])self.conv4_0 VGGBlock(nb_filter[3], nb_filter[4], nb_filter[4])self.conv0_1 VGGBlock(nb_filter[0]nb_filter[1], nb_filter[0], nb_filter[0])self.conv1_1 VGGBlock(nb_filter[1]nb_filter[2], nb_filter[1], nb_filter[1])self.conv2_1 VGGBlock(nb_filter[2]nb_filter[3], nb_filter[2], nb_filter[2])self.conv3_1 VGGBlock(nb_filter[3]nb_filter[4], nb_filter[3], nb_filter[3])self.conv0_2 VGGBlock(nb_filter[0]*2nb_filter[1], nb_filter[0], nb_filter[0])self.conv1_2 VGGBlock(nb_filter[1]*2nb_filter[2], nb_filter[1], nb_filter[1])self.conv2_2 VGGBlock(nb_filter[2]*2nb_filter[3], nb_filter[2], nb_filter[2])self.conv0_3 VGGBlock(nb_filter[0]*3nb_filter[1], nb_filter[0], nb_filter[0])self.conv1_3 VGGBlock(nb_filter[1]*3nb_filter[2], nb_filter[1], nb_filter[1])self.conv0_4 VGGBlock(nb_filter[0]*4nb_filter[1], nb_filter[0], nb_filter[0])if self.deep_supervision:self.final1 nn.Conv2d(nb_filter[0], num_classes, kernel_size1)self.final2 nn.Conv2d(nb_filter[0], num_classes, kernel_size1)self.final3 nn.Conv2d(nb_filter[0], num_classes, kernel_size1)self.final4 nn.Conv2d(nb_filter[0], num_classes, kernel_size1)else:self.final nn.Conv2d(nb_filter[0], num_classes, kernel_size1)
9.3.2 前向传播 def forward(self, input):x0_0 self.conv0_0(input)x1_0 self.conv1_0(self.pool(x0_0))x0_1 self.conv0_1(torch.cat([x0_0, self.up(x1_0)], 1))x2_0 self.conv2_0(self.pool(x1_0))x1_1 self.conv1_1(torch.cat([x1_0, self.up(x2_0)], 1))x0_2 self.conv0_2(torch.cat([x0_0, x0_1, self.up(x1_1)], 1))x3_0 self.conv3_0(self.pool(x2_0))x2_1 self.conv2_1(torch.cat([x2_0, self.up(x3_0)], 1))x1_2 self.conv1_2(torch.cat([x1_0, x1_1, self.up(x2_1)], 1))x0_3 self.conv0_3(torch.cat([x0_0, x0_1, x0_2, self.up(x1_2)], 1))x4_0 self.conv4_0(self.pool(x3_0))x3_1 self.conv3_1(torch.cat([x3_0, self.up(x4_0)], 1))x2_2 self.conv2_2(torch.cat([x2_0, x2_1, self.up(x3_1)], 1))x1_3 self.conv1_3(torch.cat([x1_0, x1_1, x1_2, self.up(x2_2)], 1))x0_4 self.conv0_4(torch.cat([x0_0, x0_1, x0_2, x0_3, self.up(x1_3)], 1))if self.deep_supervision:output1 self.final1(x0_1)output2 self.final2(x0_2)output3 self.final3(x0_3)output4 self.final4(x0_4)return [output1, output2, output3, output4]else:output self.final(x0_4)return outputNestedUNet即UNet与UNet大同小异关于UNet的解析在这里
首先输入数据先经过一个VGG块得到x0_0x0_0 经过一个maxpooling后再经过一个VGG块得到x1_0拼接x1_0 和上采样后的x0_0 后再经过一个VGG块得到x0_1x1_0 经过一个maxpooling后再经过一个VGG块得到x2_0拼接x1_0 和上采样后的x2_0 后再经过一个VGG块得到x1_1最终分别得到x0_1、x0_2、x0_3、x0_4这4个都可以作为输出
这就是整个的模型架构如果需要进行深入的掌握建议把每一个前向传播的过程的数据维度打印出来
unet医学细胞分割实战1 unet医学细胞分割实战2 unet医学细胞分割实战3 unet医学细胞分割实战4 unet医学细胞分割实战5 unet医学细胞分割实战6
