dicePixelClassificationLayer
使用广义Dice损失创建像素分类层进行语义分割
描述
Dice像素分类层使用广义Dice损失为每个图像像素或体素提供分类标签。
该层利用广义Dice损失来缓解语义分割问题中的类不平衡问题。广义骰子损失控制每个类别对损失的贡献,通过期望区域的逆大小对类别进行加权。
创建
属性
例子
更多关于
参考文献
克拉姆,威廉·R,奥斯卡·卡马拉,德里克·LG·希尔。医学图像分析中评价和验证的广义重叠测量IEEE医学影像汇刊.25.11, 2006,第1451-1461页。
[2] Sudre, Carole H.,等。“广义骰子重叠作为高度不平衡分割的深度学习损失函数。”医学图像分析中的深度学习和临床决策支持中的多模态学习.Cham, 2017年,第240-248页。
[3]米勒塔利,福斯托,纳西尔·纳瓦布,赛义德-艾哈迈德·艾哈迈迪。V-Net:用于体积医学图像分割的全卷积神经网络。第四届3D视觉国际会议(3DV).斯坦福,加州,2016:第565-571页。
扩展功能
版本历史
介绍了R2019b
另请参阅
trainNetwork
(深度学习工具箱)|semanticseg
|pixelLabelImageDatastore
|pixelLabelDatastore
|fcnLayers
|segnetLayers
|pixelClassificationLayer
主题
- 基于深度学习的三维脑肿瘤分割
- 开始使用深度学习进行语义分割
- 深度学习层列表(深度学习工具箱)
- MATLAB中的深度学习(深度学习工具箱)
- 指定卷积神经网络的层次(深度学习工具箱)