【图像分割】Unet-ConvLstm利用时序信息进行视频分割

这篇具有很好参考价值的文章主要介绍了【图像分割】Unet-ConvLstm利用时序信息进行视频分割。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

0. 介绍

文章: Exploiting Temporality for Semi-Supervised Video Segmentation
代码: https://github.com/mhashas/Exploiting-Temporality-For-Semi-Supervised-Video-Segmentation
理解: 使用单帧标注,对视频进行分割。利用时间维度信息来推断空间信息。将传统FCN转化成时间-空间FCN。
方法: 通过FCN语义分割网络,对时间信息建模。
框架:
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
时间建模: 通常将FCN+Lstm进行结合,对时间信息进行建模。一般学习时间信息的Lstm是将CHW的特征进行一维展品。这会导致空间信息的丢失。因此通过使用ConVLSTM可以保存维度不变。

数据集: 对CityScapes的每个数据选取30帧,其中,仅第20帧具有相对应的标签 。
训练输入:输入四幅连续的图像(第14、16、18、20帧),其中第20帧含有标签。

1. ConvLstm

1.1 Lstm

http://colah.github.io/posts/2015-08-Understanding-LSTMs/
https://blog.csdn.net/u013398034/article/details/112789084

RNN: 在距离相距不大时,可以通过RNN利用之前的信息。当距离变大,记忆衰减,无法建立上下文信息的连接
RNN的理解:https://zhuanlan.zhihu.com/p/30844905
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
在LSTM和GRU中,内部的各种门多采用sigmoid激活函数,因为需要确定“0-1”的各种状态;而隐状态的激活函数多采用tanh。
RNN的每个时间步的权重是相同的,bp过程相当于权重的连续相乘,因此比CNN更容易出现梯度消失和梯度爆炸,因此采用tanh比较多。tanh也会出现梯度消失和梯度爆炸,但是相比于Sigmoid好很多了。理论上ReLU+梯度裁切也可以。
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
4个time-steps:
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
LSTM: LSTM可以解决短期记忆问题
相对于RNN的重复模块(单个tanh层),LSTM具有四个交互层
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
f(t)表示遗忘,σ代表sigmoid,输出的值为0-1,即f(t)的值趋于+∞时,结果趋于1,反之则为0,这个表示对上一状态遗忘了多少。
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
这一步表示储存,其中的σ用来决定更新值,tanh用来创建一个新的候选值,
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
这一步用来更新掉旧的值,并添加新的信息。C(t-1)通过f(t)将旧信息遗忘,通过上一步更新为新的值。
【图像分割】Unet-ConvLstm利用时序信息进行视频分割
这一步决定输出哪些信息。σ决定输出哪些信息。首先,上一步更新的值输入到tanh然后乘以一个σ的输出,最后就输出决定要输出的部分。
【图像分割】Unet-ConvLstm利用时序信息进行视频分割

1.2 ConvLstm

https://www.jianshu.com/p/a82c0ad728f1
https://blog.csdn.net/m0_50539226/article/details/121779369
https://arxiv.org/pdf/1506.04214v1.pdf

ConvLstm基于Lstm,但Lstm只能获取时间维度上的信息。由于采用了卷积核,有了聚合空间上信息的能力
与LSTM不同之处

  • 将fully-connect layer改成convolutional layer
  • input是3D tensor
  • 核大小越大能够捕获更快的动作,否则捕获慢动作
  • 实现端到端的操作,能够处理边界问题,以及效果优于光流
  • 模型的输入:(batch_size, timestep, channel_dim, height, weight)

细节分析:传统的Lstm是一种特殊的ConvLstm, 传统的Lstm的核大小是整个图像或者输入。
ConvLstm使用卷积核得到的输出,会受限于卷积核的大小,步长,为保证输出的大小一致,因此需要进行填充。其填充部分类似于给未来的预测提供预留通道。即预测的结果慢慢的向内部聚拢。

把Lstm中矩阵相乘的地方替换成卷积。
【图像分割】Unet-ConvLstm利用时序信息进行视频分割文章来源地址https://www.toymoban.com/news/detail-426613.html

到了这里,关于【图像分割】Unet-ConvLstm利用时序信息进行视频分割的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 提升图像分割精度:学习UNet++算法

    由于工作需要对 UNet++ 算法进行调参,对规则做较大的修改,初次涉及,有误的地方,请各位大佬指教哈。 1.1 什么是 UNet++ 算法 UNet++ 算法是基于 UNet 算法的改进版本,旨在提高图像分割的性能和效果。它由 Zhou et al. 在论文 “ UNet++: A Nested U-Net Architecture for Medical Image Segment

    2024年02月03日
    浏览(44)
  • 图像分割UNet (1) : 网络结构讲解

    UNet 论文:Convolutional Networks for Biomedical Image Segmentation 这篇论文主要是针对生物医学影像这个领域提出的,所以一提到UNet一般都会联想到医学影像。 UNet它是一个encoder - decoder的结构,那么encoder对应就是这个u型网络左边这半部分,也就是我们特征提取及下采样这部分。decode

    2024年02月07日
    浏览(74)
  • 图像分割Unet算法及其Pytorch实现

    UNet是一种用于图像分割的神经网络,由于这个算法前后两个部分在处理上比较对称,类似一个U形,如下图所示,故称之为Unet,论文链接:U-Net: Convolutional Networks for Biomedical Image Segmentation,全文仅8页。 从此图可以看出,左边的基础操作是两次 3 × 3 3times3 3 × 3 卷积后池化,

    2024年01月22日
    浏览(42)
  • UNET 架构综合指南 | 掌握图像分割--附源码

    在令人兴奋的计算机视觉主题中,图像包含许多秘密和信息,区分和突出显示项目至关重要。图像分割是将图像分割成有意义的区域或对象的过程,在从医学成像到自动驾驶和对象识别等各种应用中至关重要。准确和自动的分割长期以来一直面临挑战,传统方法经常在准确性

    2024年02月13日
    浏览(50)
  • 《图像分割Unet网络分析及其Pytorch版本代码实现》

      最近两个月在做学习图像分割方面的学习,踩了无数的坑,也学到了很多的东西,想了想还是趁着国庆节有时间来做个总结,以后有这方面需要可以来看看。   神经网络被大规模的应用到计算机视觉中的分类任务中,说到神经网络的分类任务这里不得不提到CNN(卷积神经网

    2024年02月05日
    浏览(45)
  • 手把手教你用UNet做医学图像分割系统

    兄弟们好呀,这里是肆十二,这转眼间寒假就要过完了,相信大家的毕设也要准备动手了吧,作为一名大作业区的UP主,也该蹭波热度了,之前关于图像分类和目标检测我们都出了相应的教程,所以这期内容我们搞波新的,我们用Unet来做医学图像分割。我们将会以皮肤病的数

    2024年02月03日
    浏览(78)
  • 【论文阅读】Swin Transformer Embedding UNet用于遥感图像语义分割

    Swin Transformer Embedding UNet for Remote Sensing Image Semantic Segmentation 全局上下文信息是遥感图像语义分割的关键 具有强大全局建模能力的Swin transformer 提出了一种新的RS图像语义分割框架ST-UNet型网络(UNet) 解决方案:将Swin transformer嵌入到经典的基于cnn的UNet中 ST-UNet由Swin变压器和CNN并联

    2024年02月08日
    浏览(61)
  • 深度学习:使用UNet做图像语义分割,训练自己制作的数据集,详细教程

    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。我总结了使用UNet网络做图像语义分割的方法,教程很详

    2024年02月03日
    浏览(46)
  • UNet深度学习模型在医学图像分割中的应用及其Python实现细节

    第一部分:引言和UNet架构简介 引言 : 医学图像分割是医疗图像处理的重要领域,它涉及将图像划分为多个区域,以标识和隔离感兴趣的区域(如器官、肿瘤等)。近年来,随着深度学习技术的发展,多种神经网络模型被应用于这一领域。其中,UNet模型因其出色的表现而受

    2024年02月12日
    浏览(47)
  • 深度学习:使用UNet做图像语义分割,训练自己制作的数据集并推理测试(详细图文教程)

    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。我总结了使用UNet网络做图像语义分割的方法,教程很详

    2024年01月18日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包