unet3dLayersgydF4y2Ba

创建三维U-Net层体积的语义分割图像gydF4y2Ba

语法gydF4y2Ba

lgraph = unet3dLayers (inputSize numClasses)gydF4y2Ba

[lgraph, outputSize] = unet3dLayers (inputSize numClasses)gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba]= unet3dLayers (inputSize numClasses、名称、值)gydF4y2Ba

描述gydF4y2Ba

lgraphgydF4y2Ba= unet3dLayers (gydF4y2BainputSizegydF4y2Ba,gydF4y2BanumClassesgydF4y2Ba)gydF4y2Ba返回一个3 d U-Net网络。gydF4y2Baunet3dLayersgydF4y2Ba网络中包含一个像素分类层预测每个像素的分类标签输入图像体积。gydF4y2Ba

使用gydF4y2Baunet3dLayersgydF4y2Ba创建三维U-Net的网络体系结构。列车网络使用深度学习工具箱™函数gydF4y2BatrainNetworkgydF4y2Ba(深度学习工具箱)gydF4y2Ba。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2BalgraphgydF4y2Ba,gydF4y2BaoutputSizegydF4y2Ba)= unet3dLayers (gydF4y2BainputSizegydF4y2Ba,gydF4y2BanumClassesgydF4y2Ba)gydF4y2Ba也回报的大小输出容量从3 d U-Net网络形象。gydF4y2Ba

例子gydF4y2Ba

(gydF4y2Ba___gydF4y2Ba)= unet3dLayers (gydF4y2BainputSizegydF4y2Ba,gydF4y2BanumClassesgydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba)gydF4y2Ba指定选项使用一个或多个名称-值对参数除了输入参数在以前的语法。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

创建三维U-Net网络定制Encoder-Decoder深度gydF4y2Ba

这个示例使用:gydF4y2Ba

打开生活的脚本gydF4y2Ba

创建一个3 d U-Net网络encoder-decoder深度的2。指定的输出通道数卷积第一层16。gydF4y2Ba

图象尺寸= (128 128 128 3);numClasses = 5;encoderDepth = 2;numClasses lgraph = unet3dLayers(图象尺寸,gydF4y2Ba“EncoderDepth”gydF4y2BaencoderDepth,gydF4y2Ba“NumFirstEncoderFilters”gydF4y2Ba,16)gydF4y2Ba

lgraph = LayerGraph属性:层:[40×1 nnet.cnn.layer.Layer]连接:[41×2表]InputNames: {“ImageInputLayer”} OutputNames: {“Segmentation-Layer”}gydF4y2Ba

显示网络。gydF4y2Ba

图(gydF4y2Ba“单位”gydF4y2Ba,gydF4y2Ba“归一化”gydF4y2Ba,gydF4y2Ba“位置”gydF4y2Ba[0 0 0.5 0.55]);情节(lgraph)gydF4y2Ba

使用深度学习网络分析仪来可视化三维U-Net网络。gydF4y2Ba

analyzeNetwork (lgraph);gydF4y2Ba

可视化显示的数量为每个编码器输出通道的阶段。第一层卷积编码器阶段1和2有16和32个输出通道,分别。第二个卷积编码器阶段1和2层已经32和64输出通道,分别。gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`inputSizegydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
三元素向量gydF4y2Ba|gydF4y2Ba研制出向量gydF4y2Ba

网络代表容积图像输入图像大小,指定这些值之一:gydF4y2Ba

三元素向量的形式gydF4y2Ba高度gydF4y2Ba宽度gydF4y2Ba深度gydF4y2Ba]gydF4y2Ba
研制出向量的形式gydF4y2Ba高度gydF4y2Ba宽度gydF4y2Ba深度gydF4y2Ba通道gydF4y2Ba]。gydF4y2Ba通道gydF4y2Ba表示图像通道的数量。gydF4y2Ba

请注意gydF4y2Ba

网络输入图像大小必须选择这样的尺寸输入max-pooling层必须是偶数。gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
标量大于1gydF4y2Ba

数量的类,指定为一个标量大于1。gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba,在那里gydF4y2Ba的名字gydF4y2Ba参数名称和吗gydF4y2Ba价值gydF4y2Ba相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。gydF4y2Ba

R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba在报价。gydF4y2Ba

例子:gydF4y2Baunet3dLayers (inputSize、numClasses EncoderDepth, 4)gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

编码器深度,指定为一个正整数。3 d U-Net网络由一个编码器子网和一个相应的解码器子网。网络的深度决定了输入的次数容积图像downsampled或upsampled处理。编码器网络downsamples输入图像体积的2倍gydF4y2Ba^DgydF4y2Ba,在那里gydF4y2BaDgydF4y2Ba的值是gydF4y2BaEncoderDepthgydF4y2Ba。译码器网络upsamples编码器网络输出的2倍gydF4y2Ba^DgydF4y2Ba。深度编码器解码器子网是相同的子网。gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数卷积第一层gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

输出通道数卷积第一层第一编码器阶段,指定为一个正整数。输出通道的数量第二卷积层和层在随后的卷积编码器阶段根据这个值设置。gydF4y2Ba

鉴于gydF4y2Ba阶段= {1,2,…gydF4y2BaEncoderDepthgydF4y2Ba}gydF4y2Ba,输出通道的数量第一层卷积编码器的每个阶段都等于gydF4y2Ba

2gydF4y2Ba^{阶段gydF4y2Ba1gydF4y2Ba}NumFirstEncoderFiltersgydF4y2Ba

第二卷积层输出通道的数量等于每个编码器阶段gydF4y2Ba

2gydF4y2Ba^{阶段gydF4y2Ba}NumFirstEncoderFiltersgydF4y2Ba

的gydF4y2Baunet3dLayersgydF4y2Ba卷积函数集的输出通道数层匹配的数量相应的编码器译码器阶段阶段。gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba三维卷积过滤器的大小gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba积极的标量整数gydF4y2Ba|gydF4y2Ba三元素行向量的正整数gydF4y2Ba

三维卷积过滤器的大小,指定为一个积极的标量整数或正整数的三元素行向量的形式gydF4y2BafgydF4y2Ba_hgydF4y2BafgydF4y2Ba_wgydF4y2BafgydF4y2Ba_dgydF4y2Ba]。典型值的过滤器尺寸范围(3、7)。gydF4y2Ba

如果您指定gydF4y2Ba“FilterSize”gydF4y2Ba作为一个积极的标量值的整数gydF4y2Ba一个gydF4y2Ba大小一致的卷积,然后内核是(gydF4y2Ba一百一十一gydF4y2Ba]。gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

类型的填充,指定为gydF4y2Ba“相同”gydF4y2Ba或gydF4y2Ba“有效”gydF4y2Ba。填充指定的类型的填充样式gydF4y2Baconvolution3dLayergydF4y2Ba(深度学习工具箱)gydF4y2Ba在编码器和解码器子网。输出特性图的空间大小取决于类型的填充。指定这些选项之一:gydF4y2Ba

“相同”gydF4y2Ba卷积-零填充应用于输入层,输出和输入特征图是相同的大小。gydF4y2Ba
“有效”gydF4y2Ba- - - - - -补零不是卷积应用到输入层。卷积层只返回值的卷积计算没有补零。输出特性映射小于输入特征映射。gydF4y2Ba

。gydF4y2Ba

请注意gydF4y2Ba

以确保gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba的输入值甚至max-pooling层,选择网络输入图像大小来确认任何这些条件之一:gydF4y2Ba

如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba输入的容积图像必须是2的倍数gydF4y2Ba^DgydF4y2Ba。gydF4y2Ba
如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“有效”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba输入的容积图像必须选择这样gydF4y2Ba $hgydF4y2Ba egydF4y2Ba 我gydF4y2Ba ggydF4y2Ba hgydF4y2Ba tgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} (gydF4y2Ba {fgydF4y2Ba}_{hgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba$ ,gydF4y2Ba $wgydF4y2Ba 我gydF4y2Ba dgydF4y2Ba tgydF4y2Ba hgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} (gydF4y2Ba {fgydF4y2Ba}_{wgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba$ ,gydF4y2Ba $dgydF4y2Ba egydF4y2Ba pgydF4y2Ba tgydF4y2Ba hgydF4y2Ba -gydF4y2Ba {\sumgydF4y2Ba}_{我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba}^{DgydF4y2Ba} {2gydF4y2Ba}^{我gydF4y2Ba} (gydF4y2Ba {fgydF4y2Ba}_{dgydF4y2Ba} -gydF4y2Ba 1gydF4y2Ba)gydF4y2Ba$ 2的倍数gydF4y2Ba^DgydF4y2Ba。gydF4y2Ba
在哪里gydF4y2BafgydF4y2Ba_hgydF4y2Ba,gydF4y2BafgydF4y2Ba_wgydF4y2Ba和gydF4y2BafgydF4y2Ba_dgydF4y2Ba高度,宽度和深度的三维卷积核,分别。gydF4y2BaDgydF4y2Ba深度编码器。gydF4y2Ba

数据类型:gydF4y2Ba字符gydF4y2Ba|gydF4y2Ba字符串gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

层,代表了3 d U-Net网络体系结构,作为一个返回gydF4y2BalayerGraphgydF4y2Ba(深度学习工具箱)gydF4y2Ba对象。gydF4y2Ba

`outputSizegydF4y2Ba`——网络输出图像的大小gydF4y2Ba
研制出向量gydF4y2Ba

网络输出图像大小,作为研制出返回向量的形式gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba,gydF4y2Ba渠道gydF4y2Ba]。gydF4y2Ba渠道gydF4y2Ba输出通道的数量,等于在输入指定的类的数量。的gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba输出图像的卷积网络取决于类型的填充。gydF4y2Ba

如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“相同”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba网络的输出图像是一样的,网络的输入图像。gydF4y2Ba
如果您指定gydF4y2Ba“ConvolutionPadding”gydF4y2Ba作为gydF4y2Ba“有效”gydF4y2Ba,那么gydF4y2Ba高度gydF4y2Ba,gydF4y2Ba宽度gydF4y2Ba,gydF4y2Ba深度gydF4y2Ba网络的输出图像小于网络的输入图像。gydF4y2Ba

数据类型:gydF4y2Ba双gydF4y2Ba

提示gydF4y2Ba

使用gydF4y2Ba“相同”gydF4y2Ba填充卷积层保持相同的数据从输入到输出,使使用广泛的输入图像大小。gydF4y2Ba
使用patch-based方法无缝大图像的分割。你可以通过使用提取图像补丁gydF4y2BarandomPatchExtractionDatastoregydF4y2Ba函数在图像处理工具箱™。gydF4y2Ba
使用gydF4y2Ba“有效”gydF4y2Ba填充在卷积层阻止边境工件时使用patch-based方法分割。gydF4y2Ba

引用gydF4y2Ba

[1]Cicek O。,A. Abdulkadir, S. S. Lienkamp, T. Brox, and O. Ronneberger. "3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation."医学影像计算和计算机辅助干预- MICCAI 2016。MICCAI 2016。在计算机科学的课堂讲稿gydF4y2Ba。9901卷,424 - 432页。施普林格,可汗。gydF4y2Ba

版本历史gydF4y2Ba

介绍了R2019bgydF4y2Ba

另请参阅gydF4y2Ba

unet3dLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建三维U-Net网络定制Encoder-Decoder深度gydF4y2Ba

输入参数gydF4y2Ba

`inputSizegydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
三元素向量gydF4y2Ba|gydF4y2Ba研制出向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
标量大于1gydF4y2Ba

名称-值参数gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数卷积第一层gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba三维卷积过滤器的大小gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba积极的标量整数gydF4y2Ba|gydF4y2Ba三元素行向量的正整数gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

输出参数gydF4y2Ba

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`——网络输出图像的大小gydF4y2Ba
研制出向量gydF4y2Ba

更多关于gydF4y2Ba

3 d U-Net架构gydF4y2Ba

提示gydF4y2Ba

引用gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

unet3dLayersgydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

创建三维U-Net网络定制Encoder-Decoder深度gydF4y2Ba

输入参数gydF4y2Ba

inputSizegydF4y2Ba- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba三元素向量gydF4y2Ba|gydF4y2Ba研制出向量gydF4y2Ba

numClassesgydF4y2Ba- - - - - -gydF4y2Ba类的数量gydF4y2Ba标量大于1gydF4y2Ba

名称-值参数gydF4y2Ba

EncoderDepthgydF4y2Ba- - - - - -gydF4y2Ba深度编码器gydF4y2Ba3gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

NumFirstEncoderFiltersgydF4y2Ba- - - - - -gydF4y2Ba输出通道数卷积第一层gydF4y2Ba32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

FilterSizegydF4y2Ba- - - - - -gydF4y2Ba三维卷积过滤器的大小gydF4y2Ba3gydF4y2Ba(默认)|gydF4y2Ba积极的标量整数gydF4y2Ba|gydF4y2Ba三元素行向量的正整数gydF4y2Ba

ConvolutionPaddinggydF4y2Ba- - - - - -gydF4y2Ba类型的填充gydF4y2Ba“相同”gydF4y2Ba(默认)|gydF4y2Ba“有效”gydF4y2Ba

输出参数gydF4y2Ba

lgraphgydF4y2Ba——层gydF4y2BalayerGraphgydF4y2Ba对象gydF4y2Ba

outputSizegydF4y2Ba——网络输出图像的大小gydF4y2Ba研制出向量gydF4y2Ba

更多关于gydF4y2Ba

3 d U-Net架构gydF4y2Ba

提示gydF4y2Ba

引用gydF4y2Ba

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

对象gydF4y2Ba

功能gydF4y2Ba

主题gydF4y2Ba

`inputSizegydF4y2Ba`- - - - - -gydF4y2Ba网络输入图像大小gydF4y2Ba
三元素向量gydF4y2Ba|gydF4y2Ba研制出向量gydF4y2Ba

`numClassesgydF4y2Ba`- - - - - -gydF4y2Ba类的数量gydF4y2Ba
标量大于1gydF4y2Ba

`EncoderDepthgydF4y2Ba`- - - - - -gydF4y2Ba深度编码器gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`NumFirstEncoderFiltersgydF4y2Ba`- - - - - -gydF4y2Ba输出通道数卷积第一层gydF4y2Ba
32gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

`FilterSizegydF4y2Ba`- - - - - -gydF4y2Ba三维卷积过滤器的大小gydF4y2Ba
3gydF4y2Ba(默认)|gydF4y2Ba积极的标量整数gydF4y2Ba|gydF4y2Ba三元素行向量的正整数gydF4y2Ba

`ConvolutionPaddinggydF4y2Ba`- - - - - -gydF4y2Ba类型的填充gydF4y2Ba
`“相同”gydF4y2Ba`(默认)|gydF4y2Ba`“有效”gydF4y2Ba`

`lgraphgydF4y2Ba`——层gydF4y2Ba
`layerGraphgydF4y2Ba`对象gydF4y2Ba

`outputSizegydF4y2Ba`——网络输出图像的大小gydF4y2Ba
研制出向量gydF4y2Ba