dicePixelClassificationLayer

使用广义Dice损失创建像素分类层进行语义分割

在页面中全部展开

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

语法

层= dicePixelClassificationLayer

层= dicePixelClassificationLayer(名称、值)

描述

例子

层= dicePixelClassificationLayer为语义图像分割网络创建一个Dice像素分类输出层。该层为CNN处理的每个图像像素或体素输出分类标签。该层在训练过程中自动忽略未定义的像素标签。

层= dicePixelClassificationLayer(名称,值)返回一个骰子像素分类输出层，使用名称，值对参数设置可选类而且的名字属性。可以指定多个名称-值对。将每个属性名用引号括起来。

例如,dicePixelClassificationLayer('名称',' pixclass ')创建一个带有名称的Dice像素分类层“pixclass”．

属性

全部展开

`类`- - - - - -类的输出层
`“汽车”`(默认)|分类向量|字符串数组|字符向量的单元格数组

类，指定为分类向量、字符串数组、字符向量的单元格数组或“汽车”．如果类是“汽车”，然后软件在训练时间自动设置课程。如果指定字符向量的字符串数组或单元格数组str，则软件将输出层的类设置为分类(str, str)．

数据类型:字符|分类|字符串|细胞

`OutputSize`- - - - - -输出的大小
`“汽车”`(默认)

此属性是只读的。

层的输出大小。这个值是“汽车”，并在训练时指定为数值。

`LossFunction`- - - - - -损失函数
`“generalizedDiceLoss”`(默认)

此属性是只读的。

用于训练的损失函数，指定为“generalizedDiceLoss”．

`的名字`- - - - - -层的名字
`＇＇`(默认)|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入,trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有此名称的层分配名称＇＇．

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
`1`(默认)

此属性是只读的。

层的输入数。该层只接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

输入图层名称。该层只接受单个输入。

数据类型:细胞

例子

全部折叠

利用骰子像素分类层建立二维语义分割网络

这个示例使用:

打开生活的脚本

使用广义的骰子损失函数预测输入图像中每个像素的分类标签。

layers = [imageInputLayer([480 640 3]) convolution2dLayer(3,16，“步”2,“填充”1) reluLayer transposedConv2dLayer(2、4、“步”，2)软maxlayer

2”二维卷积16 3x3卷积与stride[2 2]和填充[1 1 1 1]3”ReLU ReLU 4”二维转置卷积4 2x2转置卷积与stride[2 2]和裁剪[0 0 0 0]5”Softmax Softmax 6”骰子像素分类层广义骰子损失

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

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。

生成CUDA^®或c++代码使用GPU Coder™，你必须首先构建和训练一个深度神经网络。一旦对网络进行了训练和评估，就可以配置代码生成器来生成代码，并在使用NVIDIA的平台上部署卷积神经网络^®或手臂^®GPU处理器。有关更多信息，请参见GPU Coder深度学习(GPU编码器)．

对于这一层，您可以生成利用NVIDIA CUDA深度神经网络库(cuDNN)、NVIDIA TensorRT™高性能推理库或ARM的代码计算库马里GPU。

版本历史

介绍了R2019b

另请参阅

dicePixelClassificationLayer

描述

创建

语法

描述

属性