主要内容

dicePixelClassificationLayer

使用广义骰子创建像素分类层损失语义分割

自从R2019b

扩展所有的页面

描述

骰子像素分类层提供了一个分类标签为每个图像像素或体素使用广义骰子的损失。

层使用广义骰子损失减轻类不平衡问题的语义分割问题。广义骰子损失控制每个类的损失作出的贡献权重类逆大小的预期的地区。

创建

语法

层= dicePixelClassificationLayer
层= dicePixelClassificationLayer(名称、值)

描述

例子

层= dicePixelClassificationLayer创建一个骰子像素分类为语义图像分割网络输出层。层输出每个图像像素或体素的分类标签处理由CNN。层自动忽略未定义像素标签在训练。

层= dicePixelClassificationLayer(名称,值)返回一个骰子像素分类输出层使用名称、值对参数设置可选的类和的名字属性。您可以指定多个名称-值对。在报价附上每个属性的名字。

例如,dicePixelClassificationLayer('名称',' pixclass ')创建一个骰子像素分类层与这个名字“pixclass”。

属性

全部展开

输出层的类,指定为一个分类向量,字符串数组,单元阵列的特征向量,或“汽车”。如果类是“汽车”,然后在训练时软件自动设置类。如果指定的字符串数组或单元阵列特征向量str,然后输出层的软件设置类分类(str, str)。

数据类型:字符|分类|字符串|细胞

这个属性是只读的。

输出层的大小。这个值是“汽车”前培训,在培训时被指定为一个数值。

这个属性是只读的。

损失函数用于培训,指定为“generalizedDiceLoss”。

图层名称,指定为一个特征向量或字符串标量。为层数组输入,trainNetwork(深度学习工具箱),assembleNetwork(深度学习工具箱),layerGraph(深度学习工具箱),dlnetwork(深度学习工具箱)函数自动分配名称层的名称”。

数据类型:字符|字符串

这个属性是只读的。

输入层的数量。这一层只接受一个输入。

数据类型:双

这个属性是只读的。

输入层的名称。这一层只接受一个输入。

数据类型:细胞

例子

全部折叠

这个示例使用:

打开生活的脚本

预测分类标签输入图像中的每个像素使用广义骰子损失函数。

层= [imageInputLayer ([480 640 3]) convolution2dLayer (3 16“步”2,“填充”1)reluLayer transposedConv2dLayer (2、4、“步”,2)softmaxLayer dicePixelClassificationLayer]
层= 6 x1层与层:数组1”的形象输入480 x640x3图像zerocenter正常化2”二维卷积16 3 x3的隆起与步幅[2 2]和填充[1 1 1 1]3”ReLU ReLU 4”二维卷积转置4 2 x2转置运算与步幅[2 2]和裁剪[0 0 0 0]5”Softmax Softmax 6”广义骰子骰子像素分类层损失

更多关于

全部展开

引用

[1]床,威廉·R。,Oscar Camara, and Derek LG Hill. "Generalized overlap measures for evaluation and validation in medical image analysis."IEEE医学成像。25.11,2006年,页1451 - 1461。

[2]Sudre卡罗尔H。,等。“普遍骰子重叠作为高度不平衡的深度学习损失函数分割。”深度学习在医学图像分析和多通道学习临床决策支持金宝app。施普林格,可汗,2017年,页240 - 248。

[3]Milletari、Fausto——布,和Seyed-Ahmad艾哈迈迪。“V-Net:完全卷积神经网络容量医学图像分割”。第四国际会议3 d视觉(3 dv)。斯坦福大学,CA, 2016: 565 - 571页。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

版本历史

介绍了R2019b

另请参阅

(深度学习工具箱)||||||

主题