0
点赞
收藏
分享

微信扫一扫

【模型复现】卷积网络目标检测模型——UNet 快速复现

UNet  模型

快速复现教程

01 模型详情

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.

关键词:卷积网络

应用场景:文本分类、文本分类

结构:

论文地址:

https://arxiv.org/pdf/1807.10165.pdf

模型来源:

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

02 平台环境准备

 1. 打开极链AI云平台

2. 点击模型

 3. 选择模型

在模型列表中选择 UNet 模型

 4. 创建实例

显卡以RTX 2080 Ti为例,选择模型对应镜像

点击下一步,即可创建实例

5. 连接实例

创建完成后,点击jupyterlab连接

03 模型使用

1.前期准备

进入jupyterlab

打开 root/segmentation_models.pytorch 文件夹

2.模型训练

打开该文件夹下的 “ binary_segmentation.ipynb/car_segmentation.ipynb”  文件

更多内容请左右滑动

直接通过enter+shift快捷键运行即可

以上就是 UNet 复现的全部流程,该模型在极链AI云官网已上架,同时极链AI云还拥有其他热门模型,例如YOLO系列等,简单步骤即可实现复现。

举报

相关推荐

0 条评论