Pytorch深度学习实战教程(二):UNet语义分割网络 | 您所在的位置:网站首页 › pytorchunet › Pytorch深度学习实战教程(二):UNet语义分割网络 |
Pytorch的基本使⽤ 语义分割算法讲解 如果不了解语义分割原理以及开发环境的搭建,请看该系列教程的上⼀篇⽂章《》。 本⽂的开发环境采⽤上⼀篇⽂章搭建好的Windows环境,环境情况如下: 开发环境:Windows 开发语⾔:Python3.7.4 框架版本:Pytorch1.3.0 CUDA:10.2 cuDNN:7.6.0 本⽂主要讲解UNet⽹络结构,以及相应代码的代码编写。 PS:⽂中出现的所有代码,均可在我的github上下载,欢迎Follow、Star: ⼆、 UNet ⽹络结构 在语义分割领域,基于深度学习的语义分割算法开⼭之作是FCN(Fully Convolutional Networks for Semantic Segmentation),⽽ UNet是遵循FCN的原理,并进⾏了相应的改进,使其适应⼩样本的简单分割问题。 UNet论⽂地址: 研究⼀个深度学习算法,可以先看⽹络结构,看懂⽹络结构后,再Loss计算⽅法、训练⽅法等。本⽂主要针对UNet的⽹络结构进⾏讲解, 其它内容会在后续章节进⾏说明。 1 、⽹络结构原理 UNet最早发表在2015的MICCAI会议上,4年多的时间,论⽂引⽤量已经达到了9700多次。 UNet成为了⼤多做医疗影像语义分割任务的baseline,同时也启发了⼤量研究者对于U型⽹络结构的研究,发表了⼀批基于UNet⽹络结构 的改进⽅法的论⽂。 |
CopyRight 2018-2019 实验室设备网 版权所有 |