时间戳

首页 > 解决方案 > U-Net 的连接步骤，用于不等数量的通道

deep-learning - U-Net 的连接步骤，用于不等数量的通道

问题描述

我正在尝试实现用于图像分割的 U-NET 架构，同时在扩展路径中实现裁剪和连接步骤，我无法理解如何连接不相等数量的通道。

网络

根据该架构，第一个上采样步骤的输入必须与收缩路径的相应输出连接，但问题是收缩路径中的通道数是 512，而在上采样步骤之后它们是 1024，它们应该如何连接.我的裁剪和连接代码是 -

def crop_and_concat(self, upsampled, bypass, crop=False):
    if crop:
        c = (bypass.size()[2] - upsampled.size()[2]) // 2
        bypass = F.pad(bypass, (-c, -c, -c, -c))
    return torch.cat((upsampled, bypass), 1)

我收到的错误 - 我在RuntimeError: Given groups=1, weight of size 128 256 5 5, expected input[4, 384, 64, 64] to have 256 channels, but got 384 channels instead
哪里做错了？

标签： deep-learningpytorchimage-segmentationunity3d-unet

解决方案

首先，当涉及到 U-Net 之类的架构时，您不必那么严格，之后有许多衍生产品（例如，参见PixelShuffle 的fastai 变体）。

在编码器的情况下，在基本版本中，您的频道（每块）：

1 - 64 - 128 - 256 - 512

标准卷积编码器。之后是一个共享层 1024。

在解码器中，它向下，但是当您连接每个块的编码器状态时，它有更多的通道。

这将是：

1024 -> 512 -> 512（解码器）+ 512（编码器），总共 1024 -> 512

512 -> 256 -> 256（解码器）+ 256（编码器），总共 512 -> 256

等等。

你的情况是256从解码器被记入帐户，但从128编码器添加的不是。只需将您的频道增加到 256 + 128，然后为您的 UNet 的每个块遵循上述方案。

推荐阅读