如何理解Tensorflow中的DC-VNet-成都创新互联网站建设

关于创新互联

多方位宣传企业产品与服务 突出企业形象

公司简介 公司的服务 荣誉资质 新闻动态 联系我们

如何理解Tensorflow中的DC-VNet

如何理解Tensorflow中的DC-VNet,针对这个问题,这篇文章详细介绍了相对应的分析和解答,希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

创新互联服务项目包括定南网站建设、定南网站制作、定南网页制作以及定南网络营销策划等。多年来,我们专注于互联网行业,利用自身积累的技术优势、行业经验、深度合作伙伴关系等,向广大中小型企业、政府机构等提供互联网行业的解决方案,定南网站推广取得了明显的社会效益与经济效益。目前,我们服务的客户以成都为中心已经辐射到定南省份的部分城市,未来相信会继续扩大服务区域并继续获得客户的支持与信任!


一、原始Unet网络  
1、 原始Unet有一些缺陷。文章作者因此提出了的改进Unet的DC-Unet(双通道Unet),主要从两个方面来设计的,一个是设计了高效的CNN结构取代Unet中的编码器和解码器,第二个是用残差模块取代编码器与解码器之间的跳跃连接。相对于原始Unet结果,在三个数据上结果分别提升了2.9%,1.49%和11.42%的精度。
2、 Unet经典结构
由卷积层,池化层,上采样样层,跳跃连接层构成。
如何理解Tensorflow中的DC-VNet
二、 MultiResUNet网络  
1.1、采用不同大小的卷积核来替换原始Unet的卷积来提取特征,然后再将不同卷积的结果进行拼接连接,实现不同图像尺度的特征融合到一起。如下图所示,为了减少通道个数,从而减少参数计算,通过1x1卷积来减少维度,如下图所示。
论文中作者对上述Inception模块进行了简化,可以通过一系列相同卷积操作组合达到不同大小卷积核计算效果,然后将不同卷积计算结果进行拼接完成不同尺度特征的拼接融合,如下图b所示。此外,作者还增加残差连接到Inception模块中去,如下图c所示。
如何理解Tensorflow中的DC-VNet
2.2、Unet中跳跃连接模块替换成残差路径连接,如下图所示,该模块输入是解码网络的输出,经过四个3x3的残差连接卷积操作,最后再与编码网络的输出进行拼接。
2.3、具有多尺度残差模块和残差路径的MultiResUnet结构如下所示。每个多尺度残差网络的卷积核大小及个数是3个3x3和1个1x1,特征通道个数每一个模块不一样,具体可以看表1。残差路径的卷积核大小是多个3x3和1x1模块的叠加,从下图可以看到模块中3x3和1x1的残差模块的个数分别是4,3,2,1。具体可以看表格1。
如何理解Tensorflow中的DC-VNet
三、 DC-UNet网络  
针对MultiResUnet模型提出更有效的网络结构来提取更多空间特征。为了克服无效空间特征的问题,采用多个通路的3个3x3卷积层代替MultiRes模块中的残差连接。论文作者在双通道模块中采用了2个通路的3个3x3卷积层,最后将这两个通路的结果线性相加输出。如下图所示。
如何理解Tensorflow中的DC-VNet
具有双通道模块和残差路径的DC-Unet结构如下所示。每个双通道模块的卷积核大小都是3x3大小,特征通道个数每一个模块不一样,具体可以看表2。残差路径的卷积核大小是多个3x3和1x1模块的叠加,从下图可以看到模块中3x3和1x1的残差模块的个数分别是4,3,2,1。具体可以看表格2。
如何理解Tensorflow中的DC-VNet  
四、 训练细节  
预处理将图像统一到256x128大小,并将图像从16位数据格式转换到8位数据格式。采用二值交叉熵损失函数,优化器采用Adam及其默认参数。
五、 评价指标  
由于输出的图像是0到1的数值,可以采用二值的比较方法:jaccard相似性即IOU。可以采用灰度的比较方法:绝对值平均误差(MAE),Tanimoto相似性(jaccard相似性的扩展衍生),结构相似性(SSIM)。
六、 结果对比  
在三个数据集上对比了UNet,MultiResUNet和DC-UNet,不管从客观评价指标还是主管视觉上,DC-Unet的结果都是最好的。

关于如何理解Tensorflow中的DC-VNet问题的解答就分享到这里了,希望以上内容可以对大家有一定的帮助,如果你还有很多疑惑没有解开,可以关注创新互联行业资讯频道了解更多相关知识。


文章名称:如何理解Tensorflow中的DC-VNet
路径分享:http://kswsj.cn/article/jggeoj.html

其他资讯