使用Pytorch搭建U-Net网络并基于DRIVE数据集训练(语义分割)学习笔记
使用Pytorch搭建U-Net网络并基于DRIVE数据集训练(语义分割)学习笔记
https://www.bilibili.com/video/BV1rq4y1w7xM?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click
1.
up提到这里为了进行了BN所以把上面的bias设置成了False，这个是为啥？
2.
现在都是比较流行对于一个层内部，不对图像的长和宽进行维度的改变
3.
上采样使用双线性差值
U_Net原论文中的上采样方式，转置卷积方法
5.
U_Net原论文的框架结构图
6.
下面的代码是为了防止输入的图片的长和宽不是32的倍数，那么在进行才采样的时候，由于下采样，会导致，最后与上采样，需要与之拼接的图片的维度不一样，所以进行了padding，让上采样得到的图片的长和宽，和对应的下采样得到的图片的长和宽保持一样，这样才能够进行拼接操作。
7.
上面的1*1卷积层是通过下面这行代码实现的。
9.
4.
base_c:指的是下面的64，
5.
传统U_Net结构图中，只是对对应的特征矩阵进行简单的cat拼接操作，
但是在CVPR2022的那篇论文中，使用的是
下面这种操作，它是与它对应的阶段的特征矩阵的上一个图像特征矩阵进行cat拼接的，然后进行一个1*1卷积，把channels数减少一倍。
6.
这里传入的是进行拼接之后的channels数，
白色的像素值是255，黑色的像素值是0
8.
root是指数据集的路径。
train赋值为true，就载入training数据集，如果赋值为test，就载入test数据集
判断data_root这个路径是否存在
10.
路径的拼接
11.
将图片转化成RGB图片
12.、
转换成灰度图片
13.
把前景的像素值设置成1，因为这个人工标记的人眼球毛细血管是黑白的，白色是我们要的，所以我们把这个叫做前景，把后面我们不要的叫做背景，又由于前景都是白色，白色的像素值是255，没搞懂为什么前景的像素值要从1开始，所以我们在这里除以了255.
14.
15.
16.
17.
GT好像是背景
GT标签:应该指的是背景标签
需要为每一个类别分别计算一个dice
24.
就是下面图片的实现
在下面中，我们最终的目标是分出来那些是前景，那些是背景。
就是一个2分类任务，我们把背景编码为1 0，把前景编码成0 1
把之前找到的255区域的数值又重新填回255
这样我们在分别计算不同类别（背景和前景）的dice loss时就还是只计算非255的区域
上面一系列的操作，最终会为特征矩阵增增加channels数，但你的任务中最后需要分成多少个类别时，就需要变成多少个channels，其实无论你最终是进行几分类的，最后都是进行2分类。
又由于我们的操作，把channels放在了最后，所以我们需要把channels重新放在第2位上，所以需要对维度进行修改。
x：网络模型预测得到的类别
dice_target：我们上面一系列处理得到的
最终计算这两者的dice_loss
30.
我们这里对每一个channels进行一个softmax，而通过上面构建target矩阵可以知道，每一个channels都对应的着一个类别的判断，而我们这儿dim=1，就是判断所有的channels，而每一个channels对应着一个类别是否是的矩阵，那么对所有的channels进行softmax，就是判断这张图片，最有可能是哪个类别。
对于一个高维的矩阵，softmax是怎样计算的啊？（比如对于一个[5, 8, 9, 5]大小的张量，
上面代码中的操作怎样进行的，
）
33.
34.
将第i张图片变成向量的格式
把对于图片的target也变成向量的格式
找出区域中我们感兴趣的区域，也就是不是255的区域
从向量x和向量t中得到我们感兴趣的区域
对这两个向量进行内积操作，相应元素相乘，然后求和的一种操作，也就是下面分子计算的过程
37.
这就是分母的代码实现操作
38.
sets_sum=0,那么就说明x_i和t_i都是等于0的，那么就说明我们进行的预测都是对的
也就是时候下面的公式中X和Y是相同的，那么DICE=1 dice loss=0，既然dice loss=0，那么就说明没有误差，这也就反向说明了，预测全部都是对的。
这表示每张图片对于某个类别的dice_coefficient的均值
补充：
1.下面的test图片，是经过predict.py代码预测出来的图片
而下面这张是之前彩色图片通过人手工弄的，上面那个是根据彩色图骗预测出来的。
2.