wordpress 页面内容,wordpress优化打开速度插件,linux wordpress mysql 配置,网站开发入什么费用U-net网络 简单说一下网络图中各项所代表的内容#xff1a; 蓝/白色框表示feature map(特征图) 蓝色箭头表示3x3卷积#xff0c;主要用于特征提取 灰色箭头表示skip-connection#xff08;跳跃连接#xff0c;通常用于残差网络中#xff09;,在这里是用于用于特征融合 蓝/白色框表示feature map(特征图) 蓝色箭头表示3x3卷积主要用于特征提取 灰色箭头表示skip-connection跳跃连接通常用于残差网络中,在这里是用于用于特征融合其中copy and crop中的copy就是concatenate而crop(剪切图像)是为了让两者的长宽一致 红色箭头表示池化 pooling用于降低维度 绿色箭头表示上采样 upsample用于恢复维度 青色箭头表示 1x1 卷积用于输出结果
左侧为特征提取部分红色箭头为通过一次max pooling 得到一个新的尺度
右侧为上采样部分在这里每上采样一次就相当于和特征提取部分对应的通道数相同尺度融合在这里融合之前需要将其crop左侧图中可以隐约看到蓝色的虚线框那就是crop的过程。
U-Net网络中同行左右进行crop在同一层都是一样的大小。在左侧进行的卷积运算每一次减少2例如input572*572第一次卷积后得到570*570
Encoder Encoder 由卷积操作和下采样操作组成网络所用的卷积层为3x3卷积核padding为0striding为1因为卷积过程中没有padding所以每次卷积之后feature map的hxw就会缩小。另外每一次下采样后U-net都会把特征通道的数量加倍。 两次卷积之后会有一个stride为2的max pooling所以之后得到的feature map的大小就会变成1/2(h,w)
在Encoder中上述过程需要执行5次这里注意最后一次是没有pooling的而是直接将feature map 送入 Decoder。
Decoder
feature map 经过 Decoder 恢复原始分辨率该过程除了卷积比较关键的步骤就是 upsampling 与 skip-connection。 U-net的上采样采用的是插值的方式
U-net网络运用了skip-connection这一关键步骤融合了底层信息的位置信息与深层特征的语义信息并且它采用的是拼接的方式具体来说当网络完成反卷积之后就会将反卷积的结果与Encoder中对应步骤的特征图拼接起来需要注意的是Encoder特征图尺寸稍大将其修剪过后进行拼接。拼接会保留了更多的维度/位置 信息这使得后面的 layer 可以在浅层特征与深层特征自由选择这对语义分割任务来说更有优势
通过查询网络资料发现在样本数据集不大的情况下选用U-net网络更为适合。
参考 https://www.toutiao.com/a6729482984648344068/
