dicePixelClassificationLayer

创建使用语义分割广义骰子损失像素分类层

扩大所有页面

描述

一个骰子像素分类层提供了使用广义骰子损失每个图像像素或体素一个分类标签。

该层的用途广义骰子损失，以减轻在语义分割问题类不平衡的问题。广义骰子损失控制每个类由预期区域的逆加权大小使得类的损失的贡献。

创建

句法

层= dicePixelClassificationLayer

层= dicePixelClassificationLayer（名称，值）

描述

例

层= dicePixelClassificationLayer创建语义图像分割网络一个骰子像素分类输出层。该层输出用于由CNN处理的每个图像像素或体素的分类标签。所述层训练过程中自动忽略不确定像素标签。

层= dicePixelClassificationLayer（名称，值）返回使用名称，Value对参数设置可选的一个骰子像素分类输出层类和名称属性。可以指定多个名称 - 值对。在引号中每个属性的名称。

例如，dicePixelClassificationLayer（ '姓名'， 'pixclass'）创建具有名称的骰子像素分类层'pixclass'。

属性

展开全部

`类`-输出层的类
`'汽车'`（默认）|分类矢量|字符串数组|字符向量的单元阵列

输出层的类，指定为分类矢量，字符串数组，字符向量的单元阵列，或'汽车'。如果类是'汽车'，那么软件会自动在训练时间设置类。如果指定字符向量的字符串数组或单元阵列海峡，则软件将输出层的类分类（STR，STR）。默认值是'汽车'。

数据类型：烧焦|明确的|串|细胞

`OutputSize`-输出尺寸
`'汽车'`（默认）

此属性是只读的。

该层的输出大小。该值是'汽车'在训练前，和被指定为在训练时间的数值。

`LossFunction`-损失函数
`'generalizedDiceLoss'`（默认）

此属性是只读的。

用于培训损失函数，指定为'generalizedDiceLoss'。

`名称`-图层名称
`“”`（默认）|特征向量|串标

层名称，指定为字符向量或字符串标量。要在一个层图形层，你必须指定一个非空的唯一图层名称。如果你训练的一系列网络层和名称设定为“”，那么软件的名称自动分配到训练时间的层。

数据类型：烧焦|串

`NumInputs`-输入数量
1（默认）

的层的输入端数量。该层只接受单个输入。

数据类型：双

`InputNames`-输入名字
`{'在'}`（默认）

该层的输入名称。该层只接受单个输入。

数据类型：细胞

例子

全部收缩

用骰子像素分类层中产生2-d语义分割网络

本例使用：

开立真实脚本

预测使用广义骰子损失函数中的输入图像的每个像素的分类标签。

层= [imageInputLayer（[480 640 3]）convolution2dLayer（3,16，“跨越论”，2，'填充'，1）reluLayer transposedConv2dLayer（2,4，“跨越论”，2）softmaxLayer dicePixelClassificationLayer]

层= 6×1层阵列层：1 '' 图像输入480x640x3图像与 'zerocenter' 正常化2 '' 卷积16分3×3的卷积与步幅[2 2]和填充[1 1 1 1] 3 '' RELU RELU 4 '' 转置卷积4 2×2的卷积转置与步幅[2 2]和裁剪[0 0 0 0]的5“”使用SoftMax SOFTMAX 6“”骰子像素分类层广义骰子损失

参考

[1]克拉姆，威廉·奥斯卡·卡马拉和德里克LG山。“广义重叠在医学图像分析评价和验证的措施。”IEEE交易在医疗成像。25.11，2006年，页。1451年至1461年。

[2] Sudre，卡罗尔H.，等人。“广义骰子重叠作为极不平衡分割了深刻的学习损失函数”。深度学习在医学图像分析与多模态学习的临床决策支持万博1manbetx。施普林格，湛，2017年，第240-248。

[3] Milletari，福斯托，纳赛尔纳瓦卜和赛义德艾哈迈德艾哈迈迪。“V-网：全卷积神经网络的体积医学图像分割”。第四届国际3D立体幻镜（3DV）。斯坦福大学，加利福尼亚州，2016年，页565-571。

扩展功能

GPU代码生成
生成使用GPU编码器™，NVIDIA®GPU的代码CUDA®。

也可以看看

dicePixelClassificationLayer

描述

创建

句法

描述

属性