兩種方式處理上下取樣維度不匹配的問題

2021-10-02 09:04:28 字數 2578 閱讀 1680

本人做深度學習影象分割，想把任意大小的三維影象不crop直接輸入神經網路中，我採用的是3d-unet，這裡以512*512*295為例，只有第三維為奇數，若其它維度出現奇數，同理。

在下取樣時，295/2 = 142 ，上取樣回去時若不進行處理，則142*2 = 294 不能復原，有以下兩種方法可解決這個問題。

一、反卷積（transpose）

# 在contact之前需要判斷兩個向量的維度是否一致


if(deconv1_1.get_shape() != conv4_2.get_shape()):


print("解卷積...")


filter = deconv1_1.get_shape()[4]


deconv1_1 = conv3d_transpose(input=deconv1_1, filter=filter, kernel_size=[1, 1, 2], stride=1,


name='deconv1_1_1')


concat_1 = tf.concat([deconv1_1, conv4_2], axis=concat_dim, name='concat_1')


print("concat " ,concat_1)
其中conv3d_transpose函式如下：

def conv3d_transpose(input,filter,kernel_size,stride, name):


with tf.variable_scope(name):


conv = tf.layers.conv3d_transpose(inputs=input,filters=filter,


kernel_size=kernel_size,


strides=stride,padding='valid',data_format='channels_last')


return conv
關於 tf.layers.conv3d_transpose的具體用法可以去查tensorflow的官方api，這裡不再詳細解釋。

至此，問題完美解決！

but...在計算損失函式的時候，我用的是邊緣聯合損失函式，也就是輔助損失函式，如下所示：

# *****==== dice loss


self.main_dice_loss = self.dice_loss_fun(self.pred_prob, self.input_gt)


# auxiliary loss


self.aux0_dice_loss = self.dice_loss_fun(self.aux0_prob, self.input_gt)


self.aux1_dice_loss = self.dice_loss_fun(self.aux1_prob, self.input_gt)


self.aux2_dice_loss = self.dice_loss_fun(self.aux2_prob, self.input_gt)


self.total_dice_loss = self.main_dice_loss + 0.2 * self.aux0_dice_loss + 0.4 * self.aux1_dice_loss + 0.8 * self.aux2_dice_loss


# *****==== class-weighted cross-entropy loss


self.main_wght_loss = self.softmax_weighted_loss(self.pred_prob, self.input_gt)


self.aux0_wght_loss = self.softmax_weighted_loss(self.aux0_prob, self.input_gt)


self.aux1_wght_loss = self.softmax_weighted_loss(self.aux1_prob, self.input_gt)


self.aux2_wght_loss = self.softmax_weighted_loss(self.aux2_prob, self.input_gt)


self.total_wght_loss = self.main_wght_loss + 0.3 * self.aux0_wght_loss + 0.6 * self.aux1_wght_loss + 0.9 * self.aux2_wght_loss
這樣一來就要求 self.aux0_prob這些解卷積後需要完全與輸入維度匹配，這時，難道要再用一次解卷積嗎？內心崩潰，於是乾脆換了一種思路——在一開始下取樣時就將奇數維度padding成偶數，就不存在這個問題了。

二、padding

這個思路**於fcn的原始碼，github：

# 在一開始就把奇數處理成偶數


height, width, depth = inputi.shape


inputi_padded = tf.pad(inputi, [[0, 0], [0, 0], [0, 0], [depth, depth], [0, 0]], 'constant')
上述兩種方法親測有效，解決了我的問題，望對讀者也有所幫助！ 

上下文管理的兩種方式

比較簡單，只是簡單的筆記，感謝那個不知道叫什麼名字的老師 一般的應用場景 需要頻繁連線和釋放資源，或者某個 塊前後的固定執行語句 coding utf 8 time 2019 1 27 3 21 author meta qq 239036082 from contextlib import cont...

異常處理的兩種方式

處理異常的兩種方式 1.繼續上拋 相當於推卸責任，把異常傳遞給呼叫者。2.自己捕捉 捕捉相當於自己攔下異常，把異常給解決了，呼叫者是不知道的。如果希望呼叫者處理異常，選擇throws上報異常。不希望呼叫者處理異常，選擇try catch捕捉。如果有乙個類，它的構造方法可能出現異常，我們選擇上報異常，...

異常處理的兩種方式

1.繼續上拋 相當於推卸責任，把異常傳遞給呼叫者。2.自己捕捉 捕捉相當於自己攔下異常，把異常給解決了，呼叫者是不知道的。如果希望呼叫者處理異常，選擇throws上報異常。不希望呼叫者處理異常，選擇try catch捕捉。如果有乙個類，它的構造方法可能出現異常，我們選擇上報異常，因為構造方法是上級呼...