主要内容

fcnLayers

创建完全卷积网络层语义分割

所有的页面崩溃

语法

numClasses lgraph = fcnLayers(图象尺寸)
numClasses lgraph = fcnLayers(图象尺寸,类型,类型)

描述

例子

lgraph= fcnLayers (图象尺寸,numClasses)返回一个完全卷积网络(FCN),配置为FCN 8年代,为语义分割。FCN preinitialized使用层和权重VGG-16网络。

fcnLayers包括一个pixelClassificationLayer预测分类标签输入图像中的每个像素。只支持RGB图像像素分类层。金宝app

这个函数需要深度学习工具箱™VGG-16网络模型金宝app支持包。如果这种支持包没金宝app有安装,那么vgg16(深度学习工具箱)函数提供了一个下载链接。

lgraph= fcnLayers (图象尺寸,numClasses“类型”,类型)返回一个FCN配置为一个指定的类型类型。

例子

全部折叠

定义图像的大小和数量的类,然后创建网络。

图象尺寸= (480 - 640);numClasses = 5;numClasses lgraph = fcnLayers(图象尺寸)

显示网络。

情节(lgraph)

创建一个FCN 16 s。

图象尺寸= (480 - 640);numClasses = 5;numClasses lgraph = fcnLayers(图象尺寸,“类型”,“16 s”)

显示网络。

情节(lgraph)

输入参数

全部折叠

网络输入图像大小,指定为2-element矢量格式(高度,宽度]。最小的图像大小(224 224),因为是一个FCN基于VGG-16网络。

类的语义分割,指定为一个比1大的整数。

类型的FCN模型,指定为以下之一:

FCN模型 描述
32个年代的

Upsamples最后特性映射的32倍。该选项为粗分割提供了较低的计算成本。
“16 s”

Upsamples最终功能映射16倍从第四融合特征映射后池层。这些额外的信息层早些时候提供中等颗粒分割在额外的成本计算。
8年代”

Upsamples最终功能映射后的8倍融合特征图的第三和第四马克斯池层。这些额外的信息层早些时候提供细粒度分割在额外的成本计算。

输出参数

全部折叠

层代表FCN网络架构,作为一个返回layerGraph(深度学习工具箱)对象。

所有转置卷积层初始化使用双线性插值权重。所有转置卷积层偏压条件是固定为零。

提示

  • 网络所产生的fcnLayers金宝app支持GPU代码生成深度学习一旦训练trainNetwork(深度学习工具箱)。看到代码生成(深度学习工具箱)细节和例子。

引用

[1],J。,E. Shelhamer, and T. Darrell. "Fully Convolutional Networks for Semantic Segmentation."《IEEE计算机视觉与模式识别会议,2015年,页3431 - 3440。

版本历史

介绍了R2017b

另请参阅

对象

功能

主题