创建U-Net层用于语义分割gydF4y2Ba
返回U-Net网络。gydF4y2BalgraphgydF4y2Ba
= unetLayers (gydF4y2Ba图象尺寸gydF4y2Ba
,gydF4y2BanumClassesgydF4y2Ba
)gydF4y2BaunetLayersgydF4y2Ba
在网络中包括一个像素分类层,以预测输入图像中每个像素的分类标签。gydF4y2Ba
使用gydF4y2BaunetLayersgydF4y2Ba
创建U-Net网络架构。您必须使用深度学习工具箱™功能训练网络gydF4y2BatrainNetworkgydF4y2Ba
(深度学习工具箱)gydF4y2Ba.gydF4y2Ba
[gydF4y2Ba
还返回U-Net网络输出大小的大小。gydF4y2BalgraphgydF4y2Ba
,gydF4y2BaoutputSizegydF4y2Ba
= unetLayers(gydF4y2Ba图象尺寸gydF4y2Ba
,gydF4y2BanumClassesgydF4y2Ba
)gydF4y2Ba
___gydF4y2Ba= unetLayers (gydF4y2Ba
使用一个或多个名称-值对参数指定选项。将每个属性名用引号括起来。例如,gydF4y2Ba图象尺寸gydF4y2Ba
,gydF4y2BanumClassesgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2BaunetLayers(图象尺寸、numClasses NumFirstEncoderFilters, 64)gydF4y2Ba
另外,将输出通道的数量设置为gydF4y2Ba64gydF4y2Ba
对于第一个编码器阶段。gydF4y2Ba
使用gydF4y2Ba“相同”gydF4y2Ba
在卷积层中填充以保持从输入到输出的相同数据大小,并允许使用广泛的输入图像大小集。gydF4y2Ba
使用基于补丁的方法对大图像进行无缝分割。方法可以提取图像补丁gydF4y2BarandomPatchExtractionDatastoregydF4y2Ba
在图像处理工具箱™功能。gydF4y2Ba
使用gydF4y2Ba“有效”gydF4y2Ba
使用基于补丁的方法进行分割时防止边界工件的填充。gydF4y2Ba
可以使用。创建的网络gydF4y2BaunetLayersgydF4y2Ba
函数用于GPU代码生成后的训练用gydF4y2BatrainNetworkgydF4y2Ba
(深度学习工具箱)gydF4y2Ba.详细信息和示例请参见gydF4y2Ba深度学习代码生成gydF4y2Ba(深度学习工具箱)gydF4y2Ba.gydF4y2Ba
[1]罗内伯格,O. P.费舍尔和T.布罗克斯。U-Net:用于生物医学图像分割的卷积网络gydF4y2Ba医学图像计算与计算机辅助干预(MICCAI)gydF4y2Ba.Vol. 9351, 2015, pp. 234-241。gydF4y2Ba
[2]何K,张旭光,任淑娟,孙杰。“深入研究整流器:在ImageNet分类上超越人类水平的性能。”gydF4y2BaIEEE计算机视觉国际会议论文集gydF4y2Ba.2015年,1026 - 1034。gydF4y2Ba
pixelClassificationLayergydF4y2Ba
|gydF4y2BalayerGraphgydF4y2Ba
(深度学习工具箱)gydF4y2Ba|gydF4y2BaDAGNetworkgydF4y2Ba
(深度学习工具箱)gydF4y2BafcnLayersgydF4y2Ba
|gydF4y2BasegnetLayersgydF4y2Ba
|gydF4y2BatrainNetworkgydF4y2Ba
(深度学习工具箱)gydF4y2Ba|gydF4y2BasemanticseggydF4y2Ba
|gydF4y2Badeeplabv3plusLayersgydF4y2Ba
|gydF4y2BaevaluateSemanticSegmentationgydF4y2Ba