网站连接跳转怎么做,做公司员工福利的网站都有哪些,在家做网站,中企动力合作网站#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 U2NET显著性检测实战1 U2NET显著性检测实战2 U2NET显著性检测实战3
6、上采样操作与REBNCONV
def…
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 U2NET显著性检测实战1 U2NET显著性检测实战2 U2NET显著性检测实战3
6、上采样操作与REBNCONV
def _upsample_like(src,tar):src F.upsample(src,sizetar.shape[2:],modebilinear)return src使用双线性插值进行上采样操作
class REBNCONV(nn.Module):def __init__(self,in_ch3,out_ch3,dirate1):super(REBNCONV,self).__init__()self.conv_s1 nn.Conv2d(in_ch,out_ch,3,padding1*dirate,dilation1*dirate)self.bn_s1 nn.BatchNorm2d(out_ch)self.relu_s1 nn.ReLU(inplaceTrue)def forward(self,x):hx xxout self.relu_s1(self.bn_s1(self.conv_s1(hx)))return xout定义二维卷积、二维池化、Relu然后进行对应的前向传播
7、各个残差Unet比较
在 U²-Net 中RSU7, RSU6, RSU5, RSU4, 和 RSU4F 是用于构造网络不同层级的模块。它们共同构成了 U²-Net 的多层次特征提取体系 RSU7 (Residual U-Block 7): RSU7 是最深层的模块具有最大的感受野用于网络的最初阶段用于从输入图像中提取基础和全局特征。在 U2NET 架构中RSU7 作为第一个阶段使用。 RSU6, RSU5, RSU4: 这些模块是 U²-Net 架构中的中间层。RSU6, RSU5, RSU4 的主要区别在于它们的深度和感受野的大小。每个模块都比前一个模块浅一点感受野也稍小。这些层用于提取越来越具体的特征随着网络的深入这些特征越来越侧重于局部细节。 RSU4F (Residual U-Block 4-Full): RSU4F 是一种特殊的 RSU 模块它不使用最大池化层来减少特征图的尺寸而是使用不同膨胀率的卷积来增大感受野即空洞卷积RSU4F 用于网络的深层用于捕捉更细粒度的特征。
在 U²-Net 的结构中这些 RSU 模块按照从 RSU7 到 RSU4F 的顺序排列。
在编码器阶段随着层级的增加模块逐渐变得更浅专注于更细节的特征提取。
在解码器阶段这些模块的输出与对应编码器阶段的输出进行融合通过上采样逐步恢复图像的空间维度同时保持了特征的丰富性。
总结来说RSU7 到 RSU4F 的不同主要在于它们的深度层数和膨胀率这影响了它们的感受野大小和特征提取的具体性。
8、损失函数
在前面的网络架构中我们可以看到一共有d0到d6共7个输出每一步都有一个对应的输出每一步都可以计算损失损失函数
d0, d1, d2, d3, d4, d5, d6 net(inputs_v)
loss2, loss muti_bce_loss_fusion(d0, d1, d2, d3, d4, d5, d6, labels_v)
def muti_bce_loss_fusion(d0, d1, d2, d3, d4, d5, d6, labels_v):loss0 bce_loss(d0,labels_v)loss1 bce_loss(d1,labels_v)loss2 bce_loss(d2,labels_v)loss3 bce_loss(d3,labels_v)loss4 bce_loss(d4,labels_v)loss5 bce_loss(d5,labels_v)loss6 bce_loss(d6,labels_v)loss loss0 loss1 loss2 loss3 loss4 loss5 loss6print(l0: %3f, l1: %3f, l2: %3f, l3: %3f, l4: %3f, l5: %3f, l6: %3f\n%(loss0.item(),loss1.item(),loss2.item(),loss3.item(),loss4.item(),loss5.item(),loss6.item()))return loss0, lossd0到d6是U2Net的每一步输出labels_v是标签 这里的标签都是完全相同的数据标签即原始输入图像对应完全一样大小的灰度数据里面只区分了需要分割的前景和背 此外值得一提的是PyTorch框架的nn.BCELoss损失函数具有非常好的泛化能力不管你是像素级别的矩阵还是单个值都是使用完全一样的2分类对多步进行监督的训练就叫做多监督训练能够提高模型对不同尺寸的学习、多步输出有助于改善网络中的梯度流动、同类型和复杂度的数据时更加灵活和适应性强、有助于捕捉从低级到高级的特征
U2NET显著性检测实战1 U2NET显著性检测实战2 U2NET显著性检测实战3
