Matlab 用于图像分割的训练神经网络
我有一组原始图像块(101x101矩阵)和另一组相应的二进制图像块(尺寸相同101x101),这是训练神经网络的“答案”。我想训练我的神经网络,以便它能够学习、识别从给定图像训练的形状,并在输出矩阵(作为分割的结果)生成图像(可能采用相同的矩阵形式150x10201?) 原始图像位于左侧,所需输出位于右侧 因此,对于数据的预处理阶段,我将原始图像块重塑为每个图像块的向量矩阵Matlab 用于图像分割的训练神经网络,matlab,image-segmentation,deep-learning,Matlab,Image Segmentation,Deep Learning,我有一组原始图像块(101x101矩阵)和另一组相应的二进制图像块(尺寸相同101x101),这是训练神经网络的“答案”。我想训练我的神经网络,以便它能够学习、识别从给定图像训练的形状,并在输出矩阵(作为分割的结果)生成图像(可能采用相同的矩阵形式150x10201?) 原始图像位于左侧,所需输出位于右侧 因此,对于数据的预处理阶段,我将原始图像块重塑为每个图像块的向量矩阵1x10201。结合150个,我得到一个150x10201矩阵作为输入,另一个150x10201矩阵来自二值图像块。然后我
1x10201
。结合150个,我得到一个150x10201
矩阵作为输入,另一个150x10201
矩阵来自二值图像块。然后我将这些输入数据提供给深度学习网络。我在这个案例中使用了深层信念网络
我的设置和训练DBN的Matlab代码如下:
%训练4层100隐藏单元DBN,并使用其权重初始化NN
rand('state',0)
%列车dbn
dbn.sizes = [100 100 100 100];
opts.numepochs = 5;
opts.batchsize = 10;
opts.momentum = 0;
opts.alpha = 1;
dbn = dbnsetup(dbn, train_x, opts);
dbn = dbntrain(dbn, train_x, opts);
%展开dbn到nn
nn = dbnunfoldtonn(dbn, 10201);
nn.activation_function = 'sigm';
%列车nn
opts.numepochs = 1;
opts.batchsize = 10;
assert(isfloat(train_x), 'train_x must be a float');
assert(nargin == 4 || nargin == 6,'number ofinput arguments must be 4 or 6')
loss.train.e = [];
loss.train.e_frac = [];
loss.val.e = [];
loss.val.e_frac = [];
opts.validation = 0;
if nargin == 6
opts.validation = 1;
end
fhandle = [];
if isfield(opts,'plot') && opts.plot == 1
fhandle = figure();
end
m = size(train_x, 1);
batchsize = opts.batchsize;
numepochs = opts.numepochs;
numbatches = m / batchsize;
assert(rem(numbatches, 1) == 0, 'numbatches must be a integer');
L = zeros(numepochs*numbatches,1);
n = 1;
for i = 1 : numepochs
tic;
kk = randperm(m);
for l = 1 : numbatches
batch_x = train_x(kk((l - 1) * batchsize + 1 : l * batchsize), :);
%Add noise to input (for use in denoising autoencoder)
if(nn.inputZeroMaskedFraction ~= 0)
batch_x = batch_x.*(rand(size(batch_x))>nn.inputZeroMaskedFraction);
end
batch_y = train_y(kk((l - 1) * batchsize + 1 : l * batchsize), :);
nn = nnff(nn, batch_x, batch_y);
nn = nnbp(nn);
nn = nnapplygrads(nn);
L(n) = nn.L;
n = n + 1;
end
t = toc;
if opts.validation == 1
loss = nneval(nn, loss, train_x, train_y, val_x, val_y);
str_perf = sprintf('; Full-batch train mse = %f, val mse = %f',
loss.train.e(end), loss.val.e(end));
else
loss = nneval(nn, loss, train_x, train_y);
str_perf = sprintf('; Full-batch train err = %f', loss.train.e(end));
end
if ishandle(fhandle)
nnupdatefigures(nn, fhandle, loss, opts, i);
end
disp(['epoch ' num2str(i) '/' num2str(opts.numepochs) '. Took ' num2str(t) ' seconds' '. Mini-batch mean squared error on training set is ' num2str(mean(L((n-numbatches):(n-1)))) str_perf]);
nn.learningRate = nn.learningRate * nn.scaling_learningRate;
end
有人能告诉我,像这样对神经网络的训练能让它做分割工作吗?或者,我应该如何修改代码来训练NN,使其能够以150x10201
的形式生成输出/结果作为图像矩阵
非常感谢您。您的输入太大了。您应该尝试使用从19x19到最大30x30(已经代表900个神经元进入输入层)的较小面片 然后你的主要问题来了:你只有150张图片!当你训练一个神经网络时,你需要的训练实例至少是你神经网络中权重的三倍。因此,对您选择的体系结构要非常小心 CNN可能更适合你的问题