ეს არის პრაქტიკული ნოუთბუქი. წაიკითხე კოდი და შედეგები აქ, ან გაუშვი ინტერაქტიულად Google Colab-ში ან Jupyter-ში.
სეგმენტაცია არის კომპიუტერული ხედვის ერთ-ერთი მთავარი ამოცანა. სურათის თითოეული პიქსელისთვის თქვენ უნდა მიუთითოთ კლასი (ფონი შედის). სემანტიკური სეგმენტაცია მხოლოდ პიქსელის კლასს ეუბნება, მაგალითად სეგმენტაცია ყოფს კლასებს სხვადასხვა ინსტანციებად.
მაგალითად, სეგმენტაცია ათი მანქანა არის განსხვავებული ობიექტი, სემანტიკური სეგმენტაციისთვის ყველა მანქანა არის ერთი კლასი.
სურათი ეს ბლოგის პოსტი-დან
თითქმის ყველა არქიტექტურას აქვს იგივე სტრუქტურა. პირველი ნაწილი არის ენკოდერი, რომელიც ამოიღებს მახასიათებლებს შეყვანის სურათიდან, მეორე ნაწილი არის დეკოდერი, რომელიც გარდაქმნის ამ ფუნქციებს იმავე სიმაღლისა და სიგანის სურათად და არხების გარკვეული რაოდენობა, შეიძლება ტოლი იყოს კლასების რაოდენობაზე.
სურათი ამ პუბლიკაციას-დან
[210]
იტვირთება…[211]
იტვირთება…მონაცემთა ნაკრები
[ ]
იტვირთება…[198]
იტვირთება…[199]
იტვირთება…[200]
იტვირთება…მოდით დავხატოთ რამდენიმე სურათი შესაბამისი ნიღბებით.
[201]
იტვირთება…გამოტანა
სეგნეტი
მარტივი ენკოდერი - დეკოდერის არქიტექტურა კონვოლუციებით, გაერთიანებები ენკოდერში და კონვოლუციებში, დეკოდერში ასიმპლინგები.
- Badrinarayanan, V., Kendall, A., & Cipolla, R. (2015). SegNet: ღრმა კონვოლუციონალური ენკოდერ-დეკოდერის არქიტექტურა გამოსახულების სეგმენტაციისთვის
[212]
იტვირთება…[213]
იტვირთება…[214]
იტვირთება…[215]
იტვირთება…გამოტანა
Epoch 1/100
3/3 [==============================] - 2s 298ms/step - loss: 0.6123 - val_loss: 0.6960
Epoch 2/100
3/3 [==============================] - 1s 197ms/step - loss: 0.3332 - val_loss: 0.6874
Epoch 3/100
3/3 [==============================] - 1s 199ms/step - loss: 0.2715 - val_loss: 0.6707
Epoch 4/100
3/3 [==============================] - 1s 205ms/step - loss: 0.2508 - val_loss: 0.6544
Epoch 5/100
3/3 [==============================] - 1s 286ms/step - loss: 0.2290 - val_loss: 0.6403
Epoch 6/100
3/3 [==============================] - 1s 235ms/step - loss: 0.2110 - val_loss: 0.6242
Epoch 7/100
3/3 [==============================] - 1s 231ms/step - loss: 0.1986 - val_loss: 0.6138
Epoch 8/100
3/3 [==============================] - 1s 197ms/step - loss: 0.1923 - val_loss: 0.6068
Epoch 9/100
3/3 [==============================] - 1s 203ms/step - loss: 0.1789 - val_loss: 0.6018
Epoch 10/100
3/3 [==============================] - 1s 199ms/step - loss: 0.1714 - val_loss: 0.5979
Epoch 11/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1745 - val_loss: 0.5945
Epoch 12/100
3/3 [==============================] - 1s 196ms/step - loss: 0.1613 - val_loss: 0.5912
Epoch 13/100
3/3 [==============================] - 1s 199ms/step - loss: 0.1570 - val_loss: 0.5877
Epoch 14/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1547 - val_loss: 0.5861
Epoch 15/100
3/3 [==============================] - 1s 204ms/step - loss: 0.1546 - val_loss: 0.5862
Epoch 16/100
3/3 [==============================] - 1s 197ms/step - loss: 0.1527 - val_loss: 0.5853
Epoch 17/100
3/3 [==============================] - 1s 197ms/step - loss: 0.1456 - val_loss: 0.5865
Epoch 18/100
3/3 [==============================] - 1s 202ms/step - loss: 0.1567 - val_loss: 0.5903
Epoch 19/100
3/3 [==============================] - 1s 198ms/step - loss: 0.1429 - val_loss: 0.5939
Epoch 20/100
3/3 [==============================] - 1s 207ms/step - loss: 0.1432 - val_loss: 0.5960
Epoch 21/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1438 - val_loss: 0.5940
Epoch 22/100
3/3 [==============================] - 1s 204ms/step - loss: 0.1449 - val_loss: 0.5933
Epoch 23/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1424 - val_loss: 0.5972
Epoch 24/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1407 - val_loss: 0.5999
Epoch 25/100
3/3 [==============================] - 1s 206ms/step - loss: 0.1370 - val_loss: 0.6001
Epoch 26/100
3/3 [==============================] - 1s 215ms/step - loss: 0.1371 - val_loss: 0.6021
Epoch 27/100
3/3 [==============================] - 1s 200ms/step - loss: 0.1345 - val_loss: 0.6194
Epoch 28/100
3/3 [==============================] - 1s 200ms/step - loss: 0.1312 - val_loss: 0.6287
Epoch 29/100
3/3 [==============================] - 1s 199ms/step - loss: 0.1304 - val_loss: 0.6154
Epoch 30/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1265 - val_loss: 0.6151
Epoch 31/100
3/3 [==============================] - 1s 201ms/step - loss: 0.1219 - val_loss: 0.6220
Epoch 32/100
3/3 [==============================] - 1s 210ms/step - loss: 0.1200 - val_loss: 0.6249
Epoch 33/100
3/3 [==============================] - 1s 199ms/step - loss: 0.1151 - val_loss: 0.6268
Epoch 34/100
3/3 [==============================] - 1s 202ms/step - loss: 0.1139 - val_loss: 0.6328
Epoch 35/100
3/3 [==============================] - 1s 200ms/step - loss: 0.1117 - val_loss: 0.6297
Epoch 36/100
3/3 [==============================] - 1s 200ms/step - loss: 0.1081 - val_loss: 0.6288
Epoch 37/100
3/3 [==============================] - 1s 204ms/step - loss: 0.1064 - val_loss: 0.6330
Epoch 38/100
3/3 [==============================] - 1s 202ms/step - loss: 0.1056 - val_loss: 0.6385
Epoch 39/100
3/3 [==============================] - 1s 204ms/step - loss: 0.1086 - val_loss: 0.6446
Epoch 40/100
3/3 [==============================] - 1s 199ms/step - loss: 0.1047 - val_loss: 0.6595
Epoch 41/
… (გამოტანა შემოკლებულია)[216]
იტვირთება…გამოტანა
U-Net
ძალიან მარტივი არქიტექტურა, რომელიც იყენებს გამოტოვების კავშირებს. კავშირების გამოტოვება თითოეულ კონვოლუციურ დონეზე ეხმარება ქსელს არ დაკარგოს ინფორმაცია ფუნქციების შესახებ ორიგინალური შეყვანიდან ამ დონეზე.
U-Net-ს ჩვეულებრივ აქვს ნაგულისხმევი ენკოდერი ფუნქციების ამოღებისთვის, მაგალითად resnet50.
- რონებერგერი, ოლაფი, ფილიპ ფიშერი და თომას ბროქსი. U-Net: კონვოლუციური ქსელები ბიოსამედიცინო გამოსახულების სეგმენტაციისთვის.
[217]
იტვირთება…[221]
იტვირთება…[222]
იტვირთება…გამოტანა
Epoch 1/100
3/3 [==============================] - 5s 482ms/step - loss: 0.5073 - val_loss: 0.6237
Epoch 2/100
3/3 [==============================] - 1s 368ms/step - loss: 0.3388 - val_loss: 0.6192
Epoch 3/100
3/3 [==============================] - 1s 363ms/step - loss: 0.2867 - val_loss: 0.6133
Epoch 4/100
3/3 [==============================] - 1s 367ms/step - loss: 0.2624 - val_loss: 0.6043
Epoch 5/100
3/3 [==============================] - 1s 365ms/step - loss: 0.2435 - val_loss: 0.5949
Epoch 6/100
3/3 [==============================] - 1s 364ms/step - loss: 0.2320 - val_loss: 0.5844
Epoch 7/100
3/3 [==============================] - 1s 369ms/step - loss: 0.2201 - val_loss: 0.5781
Epoch 8/100
3/3 [==============================] - 1s 362ms/step - loss: 0.2119 - val_loss: 0.5673
Epoch 9/100
3/3 [==============================] - 1s 367ms/step - loss: 0.2047 - val_loss: 0.5588
Epoch 10/100
3/3 [==============================] - 1s 360ms/step - loss: 0.1946 - val_loss: 0.5544
Epoch 11/100
3/3 [==============================] - 1s 368ms/step - loss: 0.1959 - val_loss: 0.5412
Epoch 12/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1814 - val_loss: 0.5346
Epoch 13/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1780 - val_loss: 0.5336
Epoch 14/100
3/3 [==============================] - 1s 368ms/step - loss: 0.1727 - val_loss: 0.5344
Epoch 15/100
3/3 [==============================] - 1s 367ms/step - loss: 0.1715 - val_loss: 0.5280
Epoch 16/100
3/3 [==============================] - 1s 368ms/step - loss: 0.1691 - val_loss: 0.5166
Epoch 17/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1641 - val_loss: 0.5133
Epoch 18/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1707 - val_loss: 0.5221
Epoch 19/100
3/3 [==============================] - 1s 367ms/step - loss: 0.1628 - val_loss: 0.5239
Epoch 20/100
3/3 [==============================] - 1s 363ms/step - loss: 0.1615 - val_loss: 0.5177
Epoch 21/100
3/3 [==============================] - 1s 362ms/step - loss: 0.1577 - val_loss: 0.5221
Epoch 22/100
3/3 [==============================] - 1s 369ms/step - loss: 0.1566 - val_loss: 0.5044
Epoch 23/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1561 - val_loss: 0.5046
Epoch 24/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1469 - val_loss: 0.5063
Epoch 25/100
3/3 [==============================] - 1s 368ms/step - loss: 0.1437 - val_loss: 0.4947
Epoch 26/100
3/3 [==============================] - 1s 371ms/step - loss: 0.1428 - val_loss: 0.4857
Epoch 27/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1449 - val_loss: 0.4850
Epoch 28/100
3/3 [==============================] - 1s 367ms/step - loss: 0.1426 - val_loss: 0.4875
Epoch 29/100
3/3 [==============================] - 1s 392ms/step - loss: 0.1444 - val_loss: 0.4638
Epoch 30/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1341 - val_loss: 0.4796
Epoch 31/100
3/3 [==============================] - 1s 367ms/step - loss: 0.1357 - val_loss: 0.4689
Epoch 32/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1351 - val_loss: 0.4550
Epoch 33/100
3/3 [==============================] - 1s 366ms/step - loss: 0.1294 - val_loss: 0.4419
Epoch 34/100
3/3 [==============================] - 1s 369ms/step - loss: 0.1271 - val_loss: 0.4100
Epoch 35/100
3/3 [==============================] - 1s 368ms/step - loss: 0.1265 - val_loss: 0.4188
Epoch 36/100
3/3 [==============================] - 1s 367ms/step - loss: 0.1214 - val_loss: 0.4285
Epoch 37/100
3/3 [==============================] - 1s 371ms/step - loss: 0.1206 - val_loss: 0.4129
Epoch 38/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1230 - val_loss: 0.4196
Epoch 39/100
3/3 [==============================] - 1s 369ms/step - loss: 0.1213 - val_loss: 0.3899
Epoch 40/100
3/3 [==============================] - 1s 365ms/step - loss: 0.1184 - val_loss: 0.3972
Epoch 41/
… (გამოტანა შემოკლებულია)[228]
იტვირთება…გამოტანა
