【PyTorch深度学习项目实战100例】

您所在的位置:网站首页 群星正在更新 【PyTorch深度学习项目实战100例】

【PyTorch深度学习项目实战100例】

2023-03-13 21:14| 来源: 网络整理| 查看: 265

前言

大家好,我是阿光。

本专栏整理了《PyTorch深度学习项目实战100例》,内包含了各种不同的深度学习项目,包含项目原理以及源码,每一个项目实例都附带有完整的代码+数据集。

正在更新中~ ✨

我的项目环境:

平台:Windows10语言环境:python3.7编译器:PyCharmPyTorch版本:1.8.1

项目专栏:【PyTorch深度学习项目实战100例】

一、基于UNet实现血管瘤超声图像分割

语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支。与分类任务不同,语义分割需要判断图像每个像素点的类别,进行精确分割。语义分割目前在自动驾驶、自动抠图、医疗影像等领域有着比较广泛的应用。

在这里插入图片描述

本项目基于PyTorch使用UNet对血管瘤超声图像进行图像分割,迭代了100个epoch左右,最终损失只有0.04左右。

二、数据集介绍在这里插入图片描述

「数据来源」

https://www.datafountain.cn/datasets/6205

三、UNet网络介绍在这里插入图片描述

Unet网络非常的简单,前半部分就是特征提取,后半部分是上采样。在一些文献中把这种结构叫做编码器-解码器结构,由于网络的整体结构是一个大些的英文字母U,所以叫做U-net。

Encoder:左半部分,由两个3x3的卷积层(RELU)再加上一个2x2的maxpooling层组成一个下采样的模块(后面代码可以看出); Decoder:有半部分,由一个上采样的卷积层(去卷积层)+特征拼接concat+两个3x3的卷积层(ReLU)反复构成(代码中可以看出来); 在当时,Unet相比更早提出的FCN网络,使用拼接来作为特征图的融合方式。 FCN是通过特征图对应像素值的相加来融合特征的; U-net通过通道数的拼接,这样可以形成更厚的特征,当然这样会更佳消耗显存; 完整源码



【本文地址】


今日新闻


推荐新闻


CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3