unet3dLayersG.ydF4y2Ba

创建3-D U-Net层，用于体积图像的语义分割G.ydF4y2Ba

语法G.ydF4y2Ba

lgraph = unet3dLayers (inputSize numClasses)G.ydF4y2Ba

[LPROPL，OutputSize] = UNET3DLAYERS（INPUTSIZE，NUMCLASS）G.ydF4y2Ba

[G.ydF4y2Ba___G.ydF4y2Ba] = unet3dLayers (inputSize numClasses、名称、值)G.ydF4y2Ba

描述G.ydF4y2Ba

LGRAPH.G.ydF4y2Ba= unet3dLayers (G.ydF4y2BainputSizeG.ydF4y2Ba那G.ydF4y2Banumclasses.G.ydF4y2Ba）G.ydF4y2Ba返回3-D U-Net网络。G.ydF4y2Baunet3dLayersG.ydF4y2Ba在网络中包含一个像素分类层，用于预测输入体积图像中每个像素的分类标签。G.ydF4y2Ba

使用G.ydF4y2Baunet3dLayersG.ydF4y2Ba为3-D U-Net创建网络架构。使用深度学习工具箱™功能列车G.ydF4y2BatrainNetworkG.ydF4y2Ba（深度学习工具箱）G.ydF4y2Ba．G.ydF4y2Ba

示例G.ydF4y2Ba

[G.ydF4y2BaLGRAPH.G.ydF4y2Ba那G.ydF4y2Ba输出G.ydF4y2Ba] = Unet3dlayers（G.ydF4y2BainputSizeG.ydF4y2Ba那G.ydF4y2Banumclasses.G.ydF4y2Ba）G.ydF4y2Ba还返回来自3-D U-Net网络的输出体积图像的大小。G.ydF4y2Ba

示例G.ydF4y2Ba

[G.ydF4y2Ba___G.ydF4y2Ba] = Unet3dlayers（G.ydF4y2BainputSizeG.ydF4y2Ba那G.ydF4y2Banumclasses.G.ydF4y2Ba那G.ydF4y2Ba名称,值G.ydF4y2Ba）G.ydF4y2Ba除了前面语法中的输入参数外，还使用一个或多个名称-值对参数指定选项。G.ydF4y2Ba

例子G.ydF4y2Ba

全部折叠G.ydF4y2Ba

使用自定义编码器解码器深度创建3-D U-Net网络G.ydF4y2Ba

这个示例使用:G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

使用编码器 - 解码器深度创建一个三维U-Net网络。指定第一卷积层的输出通道数为16。G.ydF4y2Ba

imageSize = [128 128 128 3];numClasses = 5;encoderDepth = 2;numClasses lgraph = unet3dLayers(图象尺寸,G.ydF4y2Ba'EncoderDepth'G.ydF4y2Ba，Encoderdepth，G.ydF4y2Ba“NumFirstEncoderFilters”G.ydF4y2Ba, 16)G.ydF4y2Ba

lgraph = LayerGraph with properties: Layers: [40×1 nnet.cnn.layer.Layer] Connections: [41×2 table] InputNames: {'ImageInputLayer'} OutputNames: {' segment- layer '}G.ydF4y2Ba

显示网络。G.ydF4y2Ba

图(G.ydF4y2Ba“单位”G.ydF4y2Ba那G.ydF4y2Ba“归一化”G.ydF4y2Ba那G.ydF4y2Ba“位置”G.ydF4y2Ba，[0 0.5 0.55]）;图（LGROPL）G.ydF4y2Ba

使用深度学习网络分析器可视化3-D U-Net网络。G.ydF4y2Ba

分析（LAPHAGH）;G.ydF4y2Ba

可视化显示每个编码器级的输出通道的数量。编码器级1和2中的第一卷积层分别具有16和32个输出通道。编码器级1和2中的第二卷积层分别具有32和64个输出通道。G.ydF4y2Ba

输入参数G.ydF4y2Ba

全部折叠G.ydF4y2Ba

`inputSizeG.ydF4y2Ba`-G.ydF4y2Ba网络输入图像大小G.ydF4y2Ba
三元素向量G.ydF4y2Ba|G.ydF4y2Ba研制出向量G.ydF4y2Ba

网络输入图像的大小，表示一个体积图像，指定为以下值之一:G.ydF4y2Ba

形式的三元素矢量[G.ydF4y2Ba高度G.ydF4y2Ba宽度G.ydF4y2Ba深度G.ydF4y2Ba]G.ydF4y2Ba
形式的四元向量[G.ydF4y2Ba高度G.ydF4y2Ba宽度G.ydF4y2Ba深度G.ydF4y2Ba通道G.ydF4y2Ba]。G.ydF4y2Ba通道G.ydF4y2Ba表示图像通道的个数。G.ydF4y2Ba

注意G.ydF4y2Ba

网络输入图像的大小必须选择，这样最大池层的输入的维数必须是偶数。G.ydF4y2Ba

`numclasses.G.ydF4y2Ba`-G.ydF4y2Ba类的数量G.ydF4y2Ba
标量大于1G.ydF4y2Ba

要分段的类的数量，指定为大于1的标量。G.ydF4y2Ba

名称-值对的观点G.ydF4y2Ba

指定可选的逗号分离对G.ydF4y2Ba名称,值G.ydF4y2Ba参数。G.ydF4y2Ba名称G.ydF4y2Ba是参数名称和G.ydF4y2Ba价值G.ydF4y2Ba为对应值。G.ydF4y2Ba名称G.ydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数G.ydF4y2BaName1, Value1,…,的家G.ydF4y2Ba．G.ydF4y2Ba

例子:G.ydF4y2Baunet3dLayers (inputSize、numClasses EncoderDepth, 4)G.ydF4y2Ba

`'EncoderDepth'G.ydF4y2Ba`-G.ydF4y2Ba深度编码器G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

编码器深度，指定为正整数。该三维U-Net网络由编码器子网和相应的解码器子网组成。网络的深度决定了处理过程中输入的体积图像被下采样或上采样的次数。编码器网络对输入的体积图像进行采样，采样倍数为2G.ydF4y2Ba^D.G.ydF4y2Ba,在那里G.ydF4y2BaD.G.ydF4y2Ba是值的价值G.ydF4y2BaEncoderDepthG.ydF4y2Ba．解码器网络将编码器网络上的输出量增加2倍G.ydF4y2Ba^D.G.ydF4y2Ba．解码器子网的深度与编码器子网的深度相同。G.ydF4y2Ba

`“NumFirstEncoderFilters”G.ydF4y2Ba`-G.ydF4y2Ba第一卷积层的输出通道数G.ydF4y2Ba
32.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

第一个编码器阶段的第一个卷积层的输出通道数，指定为正整数。基于该值设置第二卷积层的输出通道和后续编码器级中的卷积层的数量。G.ydF4y2Ba

鉴于G.ydF4y2BaStage ={1,2，…，G.ydF4y2BaEncoderDepthG.ydF4y2Ba}G.ydF4y2Ba，每个编码器级中的第一卷积层的输出通道的数量等于G.ydF4y2Ba

2G.ydF4y2Ba^{舞台G.ydF4y2Ba－1G.ydF4y2Ba}numfirstencoderfilters.G.ydF4y2Ba

每个编码器级中的第二卷积层的输出通道的数量等于G.ydF4y2Ba

2G.ydF4y2Ba^{舞台G.ydF4y2Ba}numfirstencoderfilters.G.ydF4y2Ba

当G.ydF4y2Baunet3dLayersG.ydF4y2Ba函数设置解码器阶段中卷积层的输出通道数量，以匹配相应编码器阶段的数量。G.ydF4y2Ba

`'过滤'G.ydF4y2Ba`-G.ydF4y2Ba3-D卷积滤波器的大小G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正标量整数G.ydF4y2Ba|G.ydF4y2Ba正整数的三元素行向量G.ydF4y2Ba

3-D卷积滤波器的大小，指定为正标量整数或形式为正整数的三元素行向量[G.ydF4y2BaF.G.ydF4y2Ba_H.G.ydF4y2BaF.G.ydF4y2Ba_W.G.ydF4y2BaF.G.ydF4y2Ba_D.G.ydF4y2Ba]。过滤尺寸的典型值在[3,7]范围内。G.ydF4y2Ba

如果您指定G.ydF4y2Ba'过滤'G.ydF4y2Ba作为值的正标量整数G.ydF4y2BaA.G.ydF4y2Ba，那么卷积核的尺寸均匀[G.ydF4y2Ba一百一十一G.ydF4y2Ba]。G.ydF4y2Ba

`“ConvolutionPadding”G.ydF4y2Ba`-G.ydF4y2Ba类型的填充G.ydF4y2Ba
`“相同”G.ydF4y2Ba`（默认）|G.ydF4y2Ba`“有效”G.ydF4y2Ba`

填充类型，指定为G.ydF4y2Ba“相同”G.ydF4y2Ba或G.ydF4y2Ba“有效”G.ydF4y2Ba．属性的填充类型指定填充样式G.ydF4y2Baconvolution3dLayerG.ydF4y2Ba（深度学习工具箱）G.ydF4y2Ba在编码器和解码器子网中。输出特征图的空间大小取决于填充的类型。指定其中一个选项：G.ydF4y2Ba

“相同”G.ydF4y2Ba- 将零填充应用于卷积层的输入，使得输出和输入特征映射大小相同。G.ydF4y2Ba
“有效”G.ydF4y2Ba- 零填充不适用于对卷积层的输入。卷积层仅返回计算的卷积的值，而没有零填充。输出特征映射小于输入特征映射。G.ydF4y2Ba

．G.ydF4y2Ba

注意G.ydF4y2Ba

确保G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Bamax-pooling层的输入值是偶数的，选择网络输入图像的大小来确认这些条件中的任何一个:G.ydF4y2Ba

如果您指定G.ydF4y2Ba“ConvolutionPadding”G.ydF4y2Baas.G.ydF4y2Ba“相同”G.ydF4y2Ba，那么G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Ba的输入体积图像必须是2的倍数G.ydF4y2Ba^D.G.ydF4y2Ba．G.ydF4y2Ba
如果您指定G.ydF4y2Ba“ConvolutionPadding”G.ydF4y2Baas.G.ydF4y2Ba“有效”G.ydF4y2Ba，那么G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Ba必须选择输入体积图像，使其如此G.ydF4y2Ba $H.G.ydF4y2Ba E.G.ydF4y2Ba 我G.ydF4y2Ba G.G.ydF4y2Ba H.G.ydF4y2Ba T.G.ydF4y2Ba -G.ydF4y2Ba {σ.G.ydF4y2Ba}_{我G.ydF4y2Ba =G.ydF4y2Ba 1G.ydF4y2Ba}^{D.G.ydF4y2Ba} {2G.ydF4y2Ba}^{我G.ydF4y2Ba} （G.ydF4y2Ba {F.G.ydF4y2Ba}_{H.G.ydF4y2Ba} -G.ydF4y2Ba 1G.ydF4y2Ba ）G.ydF4y2Ba$ 那G.ydF4y2Ba $W.G.ydF4y2Ba 我G.ydF4y2Ba D.G.ydF4y2Ba T.G.ydF4y2Ba H.G.ydF4y2Ba -G.ydF4y2Ba {σ.G.ydF4y2Ba}_{我G.ydF4y2Ba =G.ydF4y2Ba 1G.ydF4y2Ba}^{D.G.ydF4y2Ba} {2G.ydF4y2Ba}^{我G.ydF4y2Ba} （G.ydF4y2Ba {F.G.ydF4y2Ba}_{W.G.ydF4y2Ba} -G.ydF4y2Ba 1G.ydF4y2Ba ）G.ydF4y2Ba$ ,G.ydF4y2Ba $D.G.ydF4y2Ba E.G.ydF4y2Ba P.G.ydF4y2Ba T.G.ydF4y2Ba H.G.ydF4y2Ba -G.ydF4y2Ba {σ.G.ydF4y2Ba}_{我G.ydF4y2Ba =G.ydF4y2Ba 1G.ydF4y2Ba}^{D.G.ydF4y2Ba} {2G.ydF4y2Ba}^{我G.ydF4y2Ba} （G.ydF4y2Ba {F.G.ydF4y2Ba}_{D.G.ydF4y2Ba} -G.ydF4y2Ba 1G.ydF4y2Ba ）G.ydF4y2Ba$ 是2的倍数吗G.ydF4y2Ba^D.G.ydF4y2Ba．G.ydF4y2Ba
在哪里G.ydF4y2BaF.G.ydF4y2Ba_H.G.ydF4y2Ba那G.ydF4y2BaF.G.ydF4y2Ba_W.G.ydF4y2Ba和G.ydF4y2BaF.G.ydF4y2Ba_D.G.ydF4y2Ba分别为三维卷积核的高度、宽度和深度。G.ydF4y2BaD.G.ydF4y2Ba是编码器深度。G.ydF4y2Ba

数据类型:G.ydF4y2Ba字符G.ydF4y2Ba|G.ydF4y2Ba串G.ydF4y2Ba

输出参数G.ydF4y2Ba

全部折叠G.ydF4y2Ba

`LGRAPH.G.ydF4y2Ba`——层G.ydF4y2Ba
`layerGraphG.ydF4y2Ba`对象G.ydF4y2Ba

代表3-D U-Net网络架构的图层作为a返回G.ydF4y2BalayerGraphG.ydF4y2Ba（深度学习工具箱）G.ydF4y2Ba对象。G.ydF4y2Ba

`输出G.ydF4y2Ba`- 网络输出图像大小G.ydF4y2Ba
研制出向量G.ydF4y2Ba

网络输出图像的大小，以四元素矢量的形式返回[G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba那G.ydF4y2Ba深度G.ydF4y2Ba那G.ydF4y2Ba渠道G.ydF4y2Ba]。G.ydF4y2Ba渠道G.ydF4y2Ba是输出通道的数量，等于输入中指定的类数。当G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Ba来自网络的输出图像取决于填充卷积的类型。G.ydF4y2Ba

如果您指定G.ydF4y2Ba“ConvolutionPadding”G.ydF4y2Baas.G.ydF4y2Ba“相同”G.ydF4y2Ba，那么G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Ba网络输出图像与网络输入图像相同。G.ydF4y2Ba
如果您指定G.ydF4y2Ba“ConvolutionPadding”G.ydF4y2Baas.G.ydF4y2Ba“有效”G.ydF4y2Ba，那么G.ydF4y2Ba高度G.ydF4y2Ba那G.ydF4y2Ba宽度G.ydF4y2Ba,G.ydF4y2Ba深度G.ydF4y2Ba网络输出图像小于网络输入图像的图像。G.ydF4y2Ba

数据类型:G.ydF4y2Ba双G.ydF4y2Ba

提示G.ydF4y2Ba

使用G.ydF4y2Ba“相同”G.ydF4y2Ba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。G.ydF4y2Ba
使用基于patch的方法无缝分割大图像。您可以提取图像补丁使用G.ydF4y2BarandomPatchExtractionDatastoreG.ydF4y2Ba函数在图像处理工具箱™中。G.ydF4y2Ba
使用G.ydF4y2Ba“有效”G.ydF4y2Ba在卷积层中填充，以防止边框伪像在使用基于补丁的分割方法的同时。G.ydF4y2Ba

参考文献G.ydF4y2Ba

[1]Çiçek，Ö。，A. Abdulkadir，S. Lienkamp，T.Brox和O. Ronneberger。“3D U-Net：从稀疏注释学习密集的容积分割。”G.ydF4y2Ba医学图像计算和计算机辅助干预。MICCAI 2016。计算机科学课堂讲稿G.ydF4y2Ba．第9901卷，424-432页。施普林格,可汗。G.ydF4y2Ba

另请参阅G.ydF4y2Ba

在R2019B中介绍G.ydF4y2Ba

unet3dLayersG.ydF4y2Ba

语法G.ydF4y2Ba

描述G.ydF4y2Ba

例子G.ydF4y2Ba

使用自定义编码器解码器深度创建3-D U-Net网络G.ydF4y2Ba

输入参数G.ydF4y2Ba

`inputSizeG.ydF4y2Ba`-G.ydF4y2Ba网络输入图像大小G.ydF4y2Ba
三元素向量G.ydF4y2Ba|G.ydF4y2Ba研制出向量G.ydF4y2Ba

`numclasses.G.ydF4y2Ba`-G.ydF4y2Ba类的数量G.ydF4y2Ba
标量大于1G.ydF4y2Ba

名称-值对的观点G.ydF4y2Ba

`'EncoderDepth'G.ydF4y2Ba`-G.ydF4y2Ba深度编码器G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

`“NumFirstEncoderFilters”G.ydF4y2Ba`-G.ydF4y2Ba第一卷积层的输出通道数G.ydF4y2Ba
32.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

`'过滤'G.ydF4y2Ba`-G.ydF4y2Ba3-D卷积滤波器的大小G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正标量整数G.ydF4y2Ba|G.ydF4y2Ba正整数的三元素行向量G.ydF4y2Ba

`“ConvolutionPadding”G.ydF4y2Ba`-G.ydF4y2Ba类型的填充G.ydF4y2Ba
`“相同”G.ydF4y2Ba`（默认）|G.ydF4y2Ba`“有效”G.ydF4y2Ba`

输出参数G.ydF4y2Ba

`LGRAPH.G.ydF4y2Ba`——层G.ydF4y2Ba
`layerGraphG.ydF4y2Ba`对象G.ydF4y2Ba

`输出G.ydF4y2Ba`- 网络输出图像大小G.ydF4y2Ba
研制出向量G.ydF4y2Ba

更多关于G.ydF4y2Ba

3-D U-Net架构G.ydF4y2Ba

提示G.ydF4y2Ba

参考文献G.ydF4y2Ba

另请参阅G.ydF4y2Ba

对象G.ydF4y2Ba

功能G.ydF4y2Ba

主题G.ydF4y2Ba

计算机视觉工具箱文档G.ydF4y2Ba

金宝app

介绍基于MATLAB的深度学习G.ydF4y2Ba

unet3dLayersG.ydF4y2Ba

语法G.ydF4y2Ba

描述G.ydF4y2Ba

例子G.ydF4y2Ba

使用自定义编码器解码器深度创建3-D U-Net网络G.ydF4y2Ba

输入参数G.ydF4y2Ba

inputSizeG.ydF4y2Ba-G.ydF4y2Ba网络输入图像大小G.ydF4y2Ba三元素向量G.ydF4y2Ba|G.ydF4y2Ba研制出向量G.ydF4y2Ba

numclasses.G.ydF4y2Ba-G.ydF4y2Ba类的数量G.ydF4y2Ba标量大于1G.ydF4y2Ba

名称-值对的观点G.ydF4y2Ba

'EncoderDepth'G.ydF4y2Ba-G.ydF4y2Ba深度编码器G.ydF4y2Ba3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

“NumFirstEncoderFilters”G.ydF4y2Ba-G.ydF4y2Ba第一卷积层的输出通道数G.ydF4y2Ba32.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

'过滤'G.ydF4y2Ba-G.ydF4y2Ba3-D卷积滤波器的大小G.ydF4y2Ba3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正标量整数G.ydF4y2Ba|G.ydF4y2Ba正整数的三元素行向量G.ydF4y2Ba

“ConvolutionPadding”G.ydF4y2Ba-G.ydF4y2Ba类型的填充G.ydF4y2Ba“相同”G.ydF4y2Ba（默认）|G.ydF4y2Ba“有效”G.ydF4y2Ba

输出参数G.ydF4y2Ba

LGRAPH.G.ydF4y2Ba——层G.ydF4y2BalayerGraphG.ydF4y2Ba对象G.ydF4y2Ba

输出G.ydF4y2Ba- 网络输出图像大小G.ydF4y2Ba研制出向量G.ydF4y2Ba

更多关于G.ydF4y2Ba

3-D U-Net架构G.ydF4y2Ba

提示G.ydF4y2Ba

参考文献G.ydF4y2Ba

另请参阅G.ydF4y2Ba

对象G.ydF4y2Ba

功能G.ydF4y2Ba

主题G.ydF4y2Ba

计算机视觉工具箱文档G.ydF4y2Ba

金宝app

介绍基于MATLAB的深度学习G.ydF4y2Ba

`inputSizeG.ydF4y2Ba`-G.ydF4y2Ba网络输入图像大小G.ydF4y2Ba
三元素向量G.ydF4y2Ba|G.ydF4y2Ba研制出向量G.ydF4y2Ba

`numclasses.G.ydF4y2Ba`-G.ydF4y2Ba类的数量G.ydF4y2Ba
标量大于1G.ydF4y2Ba

`'EncoderDepth'G.ydF4y2Ba`-G.ydF4y2Ba深度编码器G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

`“NumFirstEncoderFilters”G.ydF4y2Ba`-G.ydF4y2Ba第一卷积层的输出通道数G.ydF4y2Ba
32.G.ydF4y2Ba（默认）|G.ydF4y2Ba正整数G.ydF4y2Ba

`'过滤'G.ydF4y2Ba`-G.ydF4y2Ba3-D卷积滤波器的大小G.ydF4y2Ba
3.G.ydF4y2Ba（默认）|G.ydF4y2Ba正标量整数G.ydF4y2Ba|G.ydF4y2Ba正整数的三元素行向量G.ydF4y2Ba

`“ConvolutionPadding”G.ydF4y2Ba`-G.ydF4y2Ba类型的填充G.ydF4y2Ba
`“相同”G.ydF4y2Ba`（默认）|G.ydF4y2Ba`“有效”G.ydF4y2Ba`

`LGRAPH.G.ydF4y2Ba`——层G.ydF4y2Ba
`layerGraphG.ydF4y2Ba`对象G.ydF4y2Ba

`输出G.ydF4y2Ba`- 网络输出图像大小G.ydF4y2Ba
研制出向量G.ydF4y2Ba