Nội dung
• Giới thiệu bài toán phân đoạn ảnh
• Lớp tăng độ phân giải upsampling
• Hàm mục tiêu
• Một số mạng phân đoạn ảnh tiêu biểu
46 trang |
Chia sẻ: Thục Anh | Ngày: 12/05/2022 | Lượt xem: 488 | Lượt tải: 0
Bạn đang xem trước 20 trang nội dung tài liệu Bài giảng Học sâu và ứng dụng - Chương 6: Một số ứng dụng học sâu trong thị giác máy (Phần 2), để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
Chương 6:
Một số ứng dụng học sâu
trong thị giác máy (Phần 2)
01/02/2021 SangDV 2
Nội dung
• Giới thiệu bài toán phân đoạn ảnh
• Lớp tăng độ phân giải upsampling
• Hàm mục tiêu
• Một số mạng phân đoạn ảnh tiêu biểu
01/02/2021 3
Giới thiệu bài toán phân
đoạn ảnh
01/02/2021 SangDV 4
Các bài toán thị giác máy
01/02/2021 5
Phân vùng
• Phân lớp từng điểm ảnh trong ảnh
• Không phân biệt các đối tượng cùng lớp trong ảnh
01/02/2021 6
Một số ứng dụng phân đoạn ảnh
• Phân đoạn ảnh vệ tinh và hàng không
01/02/2021 7
Một số ứng dụng phân đoạn ảnh
• Xe tự hành
01/02/2021 8
Một số ứng dụng phân đoạn ảnh
• Y tế
01/02/2021 9
Một số ứng dụng phân đoạn ảnh
• OCR
01/02/2021 10
Trượt cửa sổ
01/02/2021 SangDV 11
Trượt cửa sổ
01/02/2021 SangDV 12
Tích chập hoàn toàn (Fully Convolutional)
• Thiết kế mạng CNN gồm nhiều lớp tích chập để phân
lớp đồng thời tất cả các điểm ảnh.
01/02/2021 SangDV 13
Tích chập hoàn toàn (Fully Convolutional)
• Thiết kế mạng CNN gồm nhiều lớp tích chập để phân
lớp đồng thời tất cả các điểm ảnh.
• Vấn đề: Tích chập với các lớp đầu vào có độ phân giải
cao đòi hỏi nhiều chi phí tính toán
01/02/2021 14
Tích chập hoàn toàn (Fully Convolutional)
• Thiết kế mạng CNN với các lớp giảm độ phân giải
(downsampling) và tăng độ phân giải (upsampling)
01/02/2021 15
Tích chập hoàn toàn (Fully Convolutional)
• Thiết kế mạng CNN với các lớp giảm độ phân giải
(downsampling) và tăng độ phân giải (upsampling)
• Giảm độ phân giải: max pooling hay strided conv
• Tăng độ phân giải?
01/02/2021 16
Lớp tăng độ phân giải upsampling
01/02/2021 SangDV 17
Lớp Unpooling
• Các lớp này không có tham số
01/02/2021 SangDV 18
Lớp Max Unpooling
01/02/2021 19
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 1
và thêm viền padding 1
01/02/2021 20
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 1
và thêm viền padding 1
01/02/2021 21
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 1
và thêm viền padding 1
01/02/2021 22
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 2
và thêm viền padding 1
01/02/2021 23
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 2
và thêm viền padding 1
01/02/2021 24
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Xem lại ví dụ tích chập conv 3x3, bước nhảy stride 2
và thêm viền padding 1
01/02/2021 25
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Tích chập chuyển vị conv 3x3, bước nhảy stride 2 và
thêm viền padding 1
01/02/2021 26
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Tích chập chuyển vị conv 3x3, bước nhảy stride 2 và
thêm viền padding 1
01/02/2021 27
Tích chập chuyển vị
• Là phép tăng độ phân giải (upsampling) có chứa các
tham số có thể huấn luyện được
• Tích chập chuyển vị conv 3x3, bước nhảy stride 2 và
thêm viền padding 1
01/02/2021 28
Tích chập chuyển vị
• Tên gọi khác:
- Deconvolution (không nên, dễ gây hiểu nhầm)
- Upconvolution
- Fractionally strided convolution
- Backward strided convolution
01/02/2021 29
Ví dụ tích chập chuyển vị trong 1D
01/02/2021 30
Tích chập hoàn toàn (Fully Convolutional)
• Thiết kế mạng CNN với các lớp giảm độ phân giải
(downsampling) và tăng độ phân giải (upsampling)
• Giảm độ phân giải: max pooling hay strided conv
• Tăng độ phân giải: unpooling hoặc transpose conv
01/02/2021 31
Hàm mục tiêu
cho bài toán phân đoạn ảnh
01/02/2021 32
Hàm mục tiêu
01/02/2021 33
Hàm mục tiêu dựa trên phân phối
• Cross Entropy (CE):
• Weighted CE: mỗi lớp có trọng số khác nhau
• Focal loss: giải quyết vấn đề mất cân bằng lớn giữa
lớp nền và lớp đối tượng quan tâm. Giá trị hàm mục
tiêu đối với những mẫu dễ phân loại được giảm xuống
thấp để mạng tập trung hơn vào mẫu khó.
01/02/2021 34
Hàm mục tiêu dựa trên vùng
• Dice coefficient và IoU:
• Dice loss:
• Tversky loss:
01/02/2021 SangDV 35
Hàm mục tiêu kết hợp
• Dice loss + CE:
• Dice loss + Focal loss
•
01/02/2021 36
Hàm mục tiêu boundary loss
01/02/2021 SangDV 37
Một số mạng phân đoạn ảnh
tiêu biểu
01/02/2021 SangDV 38
FCN với 2 kết nối tắt
01/02/2021 39
FCN với 2 kết nối tắt
• Minh họa kết quả FCN với các mức độ phân giải khác
nhau
01/02/2021 40
U-Net
• Được sử dụng rộng rãi trong y tế
01/02/2021 41
U-Net++
01/02/2021 SangDV 42
Stacked UNets và CUNets
• Stacked UNets: ghép nhiều UNet nối tiếp nhau
• CUNets: cũng ghép nhiều UNet nối tiếp nhau nhưng
có thêm các kết nối tắt giữa các UNet với nhau
01/02/2021 SangDV 43
Tài liệu tham khảo
1. Khóa cs231n của Stanford:
2. Hàm mục tiêu cho bài toán phân đoạn ảnh:
https://lars76.github.io/neural-networks/object-
detection/losses-for-segmentation/
01/02/2021 45
Thank you
for your
attentions!
Các file đính kèm theo tài liệu này:
- bai_giang_hoc_sau_va_ung_dung_chuong_6_mot_so_ung_dung_hoc_s.pdf