分享一份Unet代码(多类和单类都有)和一些关于分割的想法

置顶

刘泽豪真讨厌

已于 2024-01-14 20:49:15 修改

阅读量548

点赞数 1

分类专栏： AR深度学习项目文章标签：深度学习

于 2019-11-25 11:37:17 首次发布

本文链接：https://blog.youkuaiyun.com/liu506039293/article/details/103234618

版权

文章目录

前言

最近研究了三种分割算法，deeplab-v3-plus，FCN，还有Une。FCN是分割网络的开山之作，可以用来学习，deeplab-v3-plus速度比较慢，精度更高，代码改起来比较复杂。落地的话首选还是UNET，相比较与目标检测的网络，代码简单到爆炸，也推荐作为深度学习的入门网络。

网络结构

可以看到整个网络结构是一个U型的结构，前面部分通过pooling进行下采样，后面部分通过反卷积上采样。中间通过concatenate进行拼接。

inputs = Input((PIXEL, PIXEL, 3))
s = Lambda(lambda x: x / 255) (inputs)
conv1 = Conv2D(8, 3, activation='relu', padding='same', kernel_initializer='he_normal')(s)
pool1 = AveragePooling2D(pool_size=(2, 2))(conv1)  # 16

conv2 = BatchNormalization(momentum=0.99)(pool1)
conv2 = Conv2D(64, 3, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
conv2 = BatchNormalization(momentum=0.99)(conv2)
conv2 = Conv2D(64, 1, activation='relu', padding='same', kernel_initializer='he_normal')(conv2)
conv2 = Dropout(0.02)(conv2)
pool2 = AveragePooling2D(pool_size=(2, 2))(conv2)  # 8

conv3 = BatchNormalization(momentum=0.99)(pool2)
conv3 = Conv2D(128, 3, activation='relu', padding='same', kernel_initializer='he_normal'