我们已经为您准备好复现该模型所需的环境,您可以创建实例、一键复用哦!

模型的使用文档涵盖模型所需环境、模型简介以及复现模型的具体步骤。模型效果和模型详细来源可以点击论文地址和模型来源链接查看哦~

UNet

2022-02-25 model:unet-ubuntu18.04-cuda10.2-cudnn7-python3.7-pytorch1.6.0-new

模型标签
目标检测图像分割图像分类

模型简介

这篇论文《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》是2018年6月的文章,DLMIA2018会议。文章对Unet改进的点主要是skip connection。UNET利用卷积网络的典型利用是在分类任务,输出任务的单个类标签。然而,在许多视觉任务,尤其是生物医学图像处理,目标输出应该包括定位等,每个像素都应该有类标签。另外,大量的训练图片往往超过生物医学图像的任务要求。所以,Ciresan等训练了一个神经网络,用滑动窗口来预测每个像素的类标签,提供像素的周围区域(patch)作为输入。首先,这个网络可以定位。其次它输入的是patches,这样训练数据就比图片数据多很多。 它有效卷积增加了模型设计的难度和普适性;目前很多算法直接采用了same卷积,这样也可以免去Feature Map合并之前的裁边操作.论文地址:https://arxiv.org/pdf/1807.10165.pdf



1. 使用方法

1.1. 模型训练

通过enter+shift快捷键运行binary_segmentation.ipynb/car_segmentation.ipynb文件

注:

1、文件包含训练和测试步骤

2、运行结束后会自动展现可视化图像

2. 模型来源

https://github.com/qubvel/segmentation_models.pytorch