Wolfram神经网络存储库

即时可计算访问神经网络模型

膨胀ResNet-22培训时间： 城市景观数据

将驾驶场景的图像分割为语义组件类

该架构于2017年发布，将扩张卷积技术与残差网络范式相结合，在图像分类和语义分割方面优于非相关网络。

层数：86|参数计数：15994691|培训大小：64 MB|

训练集信息

性能

示例

资源检索

获取预先训练过的网：

在[1]中：=
NetModel[“基于城市景观数据培训的扩展ResNet-22”]
输出[1]=

评价功能

编写一个评估函数来处理输入和输出的网络重塑和重采样：

在[2]中：=
netevaluate[img_，device_：“CPU”]：=块[{net，encData，dec，mean，var，prob}，net=NetModel[“扩展的ResNet-22城市景观数据培训”]；encData=正常@NetExtract[net，“input_0”]；dec=NetExtract[net，“输出”]；{mean，var}=查找[encData，{“MeanImage”，“VarianceImage”}]；NetReplacePart[net，{“input_0”->NetEncoder[{“图像”，图像尺寸@img，“MeanImage”->平均值，“VarianceImage”->var}]，“Output”->dec}][img，TargetDevice->设备]]

标签列表

定义此模型的标签列表。模型输出中的整数对应于标签列表中的元素：

在[3]中：=
labels={“道路”、“人行道”、“建筑”、“墙壁”、“围栏”、“杆”、“红绿灯”、“交通标志”、“植被”、“地形”、“天空”、“人”、“骑手”、“汽车”、“卡车”、“公交车”、“火车”、“摩托车”、“自行车”}；

基本用法

获取给定图像的分段掩码：

在[4]中：=
（*评估此单元格以获取示例输入*）CloudGet[“https://www.wolframcloud.com/obj/90161845-03f3-4235-adfc-5b9de58bec2b"]

检查检测到的类别：

在[5]中：=
检测到=删除副本@扁平@掩模
输出[5]=
在[6]中：=
标签[[检测到的]]
输出[6]=

可视化遮罩：

在[7]中：=
着色[mask]
输出[7]=

高级可视化

使用标准城市景观调色板将类与颜色关联：

在[8]中：=
colors=应用[RGBColor，｛128，64，128｝，｛244，35，232｝，｛70，70，70｝，｛102，102，156｝，｛190，153，153｝，｛153，153｝，｛250，170，30｝，｛220，220，0｝，｛107，142，35｝，｛152，251，152｝，｛70，130，180｝，｛220，20，60｝，｛255，0，0｝，｛0，0，142｝，｛0，0，70｝，｛0，60，100｝，｛0，80，100｝，｛0，230｝｛119，11，32｝｝/255.，｛1｝]
输出[8]=
在[9]中：=
indexToColor=线程[范围[19]->颜色]；

编写一个函数，用图例覆盖图像和遮罩：

在[10]中：=
result[img_，device_：“CPU”]：=块[{掩码，类，maskPlot，合成}，mask=网络评估[img，设备]；classes=删除重复项[压扁@遮罩];maskPlot=着色[mask，ColorRules->indexToColor]；合成=图像合成[img，{maskPlot，0.5}]；传奇[行[Image[#，ImageSize->Large]和/@{maskPlot，composition}]，SwatchLegend[indexToColor[[类，2]]，标签[[类]]]]

检查结果：

在[11]中：=
（*评估此单元格以获取示例输入*）CloudGet[“https://www.wolframcloud.com/obj/9e30aff4-8c11-459e-81c7-4d34b6f982f5"]
输出[11]=
在[12]中：=
（*评估此单元格以获取示例输入*）CloudGet[“https://www.wolframcloud.com/obj/d080db18-e42f-47ec-b9d4-8e14a2d67314"]
输出[12]=
在[13]中：=
（*评估此单元格以获取示例输入*）CloudGet[“https://www.wolframcloud.com/obj/3bfec9cc-4f18-438a-8040-41fb5ad2c207"]
输出[13]=

净信息

检查网络中所有阵列的参数数量：

在[14]中：=
网络信息[NetModel[“扩展ResNet-22城市景观数据培训”]\“阵列元素计数”]
输出[14]=

获取参数总数：

在[15]中：=
网络信息[NetModel[“扩展ResNet-22城市景观数据培训”]\“ArraysTotalElementCount”]
输出[15]=

获取层类型计数：

在[16]中：=
网络信息[NetModel[“扩展ResNet-22城市景观数据培训”]\“层类型计数”]
输出[16]=

显示摘要图形：

在[17]中：=
网络信息[NetModel[“扩展ResNet-22城市景观数据培训”]\“摘要图形”]
输出[17]=

导出到MXNet

导出将网络转换为可在MXNet中打开的格式：

在[18]中：=
jsonPath=Export[FileNameJoin[{$TemporaryDirectory，“net.json”}]，NetModel[“扩展ResNet-22培训城市景观数据”]，“MXNet”]
退出[18]=

导出还创建了网络参数包含参数的文件：

在[19]中：=
paramPath=FileNameJoin[{DirectoryName[jsonPath]，“net.params”}]
输出[19]=

获取参数文件的大小：

在[20]中：=
文件字节计数[paramPath]
输出[20]=

大小与资源对象的字节数类似：

在[21]中：=
资源对象[“根据城市景观数据训练的扩展ResNet-22”][“ByteCount”]
输出[21]=

将MXNet网络表示为图形：

在[22]中：=
导入[jsonPath，{“MXNet”，“NodeGraphPlot”}]
输出[22]=

要求

Wolfram语言11.3（2018年3月）或以上

资源历史记录

  • 创建日期：2018年3月22日
  • 最新更新：2018年6月21日

参考