介紹

大家好,在過去的幾個(gè)月中,我致力于計(jì)算機(jī)視覺自動(dòng)編碼器 的開發(fā),坦白地說,我對(duì)使用它們可以構(gòu)建的大量應(yīng)用程序印象深刻。本文的目的是解釋自動(dòng)編碼器,可以使用自動(dòng)編碼器構(gòu)建的一些應(yīng)用程序,未連接的編碼器-解碼器層的缺點(diǎn)以及諸如U-Net之類的體系結(jié)構(gòu)如何幫助提高自動(dòng)編碼器的質(zhì)量。

1． 什么是自動(dòng)編碼器?

簡單來說,自動(dòng)編碼器是一種順序神經(jīng)網(wǎng)絡(luò),由兩個(gè)組件組成,一個(gè)是編碼器,另一個(gè)是**解碼器。**供我們參考,假設(shè)我們正在處理圖像,**編碼器的工作是從圖像中提取特征,從而減小圖像的高度和寬度,但同時(shí)增加其深度,**即編碼器對(duì)圖像進(jìn)行了潛在表示�，F(xiàn)在,解碼器的工作是解碼潛在表示并形成滿足我們給定標(biāo)準(zhǔn)的圖像。從下面的圖像中可以很容易理解。

圖1:自動(dòng)編碼器架構(gòu)自動(dòng)編碼器的輸入和輸出都是圖像,在下面給出的示例中,自動(dòng)編碼器將輸入轉(zhuǎn)換為Monet樣式的繪畫。

圖2:自動(dòng)編碼器的輸入和輸出

2． 自動(dòng)編碼器,用于語義分割和未連接的編碼器-解碼器層的缺點(diǎn)語義分割

是指為圖像的每個(gè)像素分配標(biāo)簽,從而將屬于同一對(duì)象的像素分組在一起,以下圖像將幫助你更好地理解這一點(diǎn)。

圖3:圖像及其語義分割輸出

以下代碼定義了用于此應(yīng)用程序的自動(dòng)編碼器體系結(jié)構(gòu):

myTransformer = tf．keras．models．Sequential([

## defining encoder 

    tf．keras．layers．Input(shape= (256, 256, 3)),

    tf．keras．layers．Conv2D(filters = 16, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．MaxPool2D(pool_size = (2, 2)),

    tf．keras．layers．Conv2D(filters = 32, kernel_size = (3,3), strides = (2,2), activation = 'relu',padding = 'valid'),

    tf．keras．layers．Conv2D(filters = 64, kernel_size = (3,3), strides = (2,2), activation = 'relu',padding = 'same'),

    tf．keras．layers．MaxPool2D(pool_size = (2, 2)),

    tf．keras．layers．Conv2D(filters = 64, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 128, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 128, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 256, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 512, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    ## defining decoder path

    tf．keras．layers．UpSampling2D(size = (2,2)),

    tf．keras．layers．Conv2D(filters = 256, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 128, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 128, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 128, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．UpSampling2D(size = (2,2)),

    tf．keras．layers．Conv2D(filters = 64, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．UpSampling2D(size = (2,2)),

    tf．keras．layers．Conv2D(filters = 32, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．UpSampling2D(size = (2,2)),

    tf．keras．layers．Conv2D(filters = 16, kernel_size = (3,3), activation = 'relu', padding = 'same'),

    tf．keras．layers．Conv2D(filters = 3, kernel_size = (3,3), activation = 'relu', padding = 'same'),
])

請(qǐng)參考本文的參考部分以獲取完整的訓(xùn)練渠道。以下是你使用此網(wǎng)絡(luò)可獲得的結(jié)果

圖4:用于語義分割的自動(dòng)編碼器結(jié)果

很好,看來我們的自動(dòng)編碼器可以很好地解決此問題,但是,你是否覺得所獲得的結(jié)果有點(diǎn)模糊,可能出了什么問題?

2．1 自動(dòng)編碼器中未連接的編碼器-解碼器層的缺點(diǎn)

這種模糊性的原因在于**,**即使我們可以實(shí)現(xiàn)目標(biāo),但輸出質(zhì)量還不夠好。因此,當(dāng)信息從編碼器傳遞到解碼器時(shí),功能映射就會(huì)丟失。因此,最合乎邏輯的方法是將解碼器層與編碼器層中的對(duì)應(yīng)層連接起來,從而補(bǔ)償重建圖像時(shí)丟失的特征,這就是像U-Net這樣的體系結(jié)構(gòu)。從下圖可以更好地理解這一點(diǎn):

圖5:Unet體系結(jié)構(gòu)

看一下解碼器和編碼器層之間的互連,它們使像U-Net這樣的體系結(jié)構(gòu)優(yōu)于原始自動(dòng)編碼器。如此說來,讓我們討論一些可以使用UNet構(gòu)建的實(shí)際應(yīng)用程序。

3． 自動(dòng)編碼器的一些實(shí)際應(yīng)用

3．1 通過預(yù)測相關(guān)掩碼進(jìn)行圖像分割

這是你遇到的另一個(gè)分割問題,與上述示例不同。給定一幅圖像,將要求你為圖像中的目標(biāo)物體預(yù)測一個(gè)二進(jìn)制掩碼,當(dāng)你將此預(yù)測掩碼與給定圖像相乘時(shí),你將獲得目標(biāo)圖像。此類預(yù)測模型可用于查找腎臟中癌細(xì)胞或結(jié)石的位置。因?yàn)橐粡垐D片的價(jià)值勝過千言萬語,這里有一張圖片可以說明我所說的:

圖6:實(shí)際的分割

這是定義所用模型架構(gòu)的代碼。

# defining Conv2d block for our u-net

# this block essentially performs 2 convolution

def Conv2dBlock(inputTensor, numFilters, kernelSize = 3, doBatchNorm = True):

    #first Conv

    x = tf．keras．layers．Conv2D(filters = numFilters, kernel_size = (kernelSize, kernelSize),

                                                    kernel_initializer = 'he_normal', padding = 'same') (inputTensor)

    if doBatchNorm:
               x = tf．keras．layers．BatchNormalization()(x)

    x =tf．keras．layers．Activation('relu')(x)

    #Second Conv

    x = tf．keras．layers．Conv2D(filters = numFilters, kernel_size = (kernelSize, kernelSize),
                                                          kernel_initializer = 'he_normal', padding = 'same') (x)

    if doBatchNorm:
               x = tf．keras．layers．BatchNormalization()(x)

    x = tf．keras．layers．Activation('relu')(x)

    return x

# Now defining Unet 

def GiveMeUnet(inputImage, numFilters = 16, droupouts = 0．1, doBatchNorm = True):

    # defining encoder Path
          c1 = Conv2dBlock(inputImage, numFilters * 1, kernelSize = 3, doBatchNorm = doBatchNorm)
          p1 = tf．keras．layers．MaxPooling2D((2,2))(c1)
          p1 = tf．keras．layers．Dropout(droupouts)(p1)
          c2 = Conv2dBlock(p1, numFilters * 2, kernelSize = 3, doBatchNorm = doBatchNorm)
          p2 = tf．keras．layers．MaxPooling2D((2,2))(c2)
          p2 = tf．keras．layers．Dropout(droupouts)(p2)
          c3 = Conv2dBlock(p2, numFilters * 4, kernelSize = 3, doBatchNorm = doBatchNorm)
          p3 = tf．keras．layers．MaxPooling2D((2,2))(c3)
          p3 = tf．keras．layers．Dropout(droupouts)(p3)
          c4 = Conv2dBlock(p3, numFilters * 8, kernelSize = 3, doBatchNorm = doBatchNorm)
          p4 = tf．keras．layers．MaxPooling2D((2,2))(c4)
          p4 = tf．keras．layers．Dropout(droupouts)(p4)
          c5 = Conv2dBlock(p4, numFilters * 16, kernelSize = 3, doBatchNorm = doBatchNorm)
          # defining decoder path
          u6 = tf．keras．layers．Conv2DTranspose(numFilters*8, (3, 3), strides = (2, 2), padding = 'same')(c5)
          u6 = tf．keras．layers．concatenate([u6, c4])
          u6 = tf．keras．layers．Dropout(droupouts)(u6)
          c6 = Conv2dBlock(u6, numFilters * 8, kernelSize = 3, doBatchNorm = doBatchNorm)
          u7 = tf．keras．layers．Conv2DTranspose(numFilters*4, (3, 3), strides = (2, 2), padding = 'same')(c6)
          u7 = tf．keras．layers．concatenate([u7, c3])
          u7 = tf．keras．layers．Dropout(droupouts)(u7)
          c7 = Conv2dBlock(u7, numFilters * 4, kernelSize = 3, doBatchNorm = doBatchNorm)
          u8 = tf．keras．layers．Conv2DTranspose(numFilters*2, (3, 3), strides = (2, 2), padding = 'same')(c7)
          u8 = tf．keras．layers．concatenate([u8, c2])
          u8 = tf．keras．layers．Dropout(droupouts)(u8)
          c8 = Conv2dBlock(u8, numFilters * 2, kernelSize = 3, doBatchNorm = doBatchNorm)
          u9 = tf．keras．layers．Conv2DTranspose(numFilters*1, (3, 3), strides = (2, 2), padding = 'same')(c8)
          u9 = tf．keras．layers．concatenate([u9, c1])
          u9 = tf．keras．layers．Dropout(droupouts)(u9)
          c9 = Conv2dBlock(u9, numFilters * 1, kernelSize = 3, doBatchNorm = doBatchNorm)
          output = tf．keras．layers．Conv2D(1, (1, 1), activation = 'sigmoid')(c9)
          model = tf．keras．Model(inputs = [inputImage], outputs = [output])
          return model

請(qǐng)參考本文的參考部分以了解整個(gè)訓(xùn)練流程。

3．2 根據(jù)衛(wèi)星圖像預(yù)測路線圖

你可以將上述架構(gòu)應(yīng)用于在衛(wèi)星圖像中查找道路,因?yàn)槿绻�你想到這一點(diǎn),那么這又是一個(gè)分割問題,使用適當(dāng)?shù)臄?shù)據(jù)集就可以輕松實(shí)現(xiàn)此任務(wù)。與往常一樣,這是一個(gè)顯示此概念的圖像。

圖7:根據(jù)航拍圖像預(yù)測路線

與往常一樣,你可以在“參考”部分中找到代碼。

3．3 使用自動(dòng)編碼器實(shí)現(xiàn)超分辨率

你是否曾在放大低分辨率圖像時(shí)注意到發(fā)生的像素失真?超分辨率本質(zhì)上是指提高低分辨率圖像的分辨率�，F(xiàn)在,也可以僅通過對(duì)圖像進(jìn)行上采樣并使用雙線性插值法來填充新的像素值來實(shí)現(xiàn)此目的,但是由于你無法增加圖像中的信息量,因此生成的圖像將變得模糊。為了解決這個(gè)問題,我們教了一個(gè)神經(jīng)網(wǎng)絡(luò)來預(yù)測高分辨率圖像的像素值(**本質(zhì)上是增加信息)。**你可以使用自動(dòng)編碼器來實(shí)現(xiàn)這一點(diǎn)(這就是本文標(biāo)題為“無限可能的世界”的原因!)。你只需在模型的輸出層中將通道數(shù)更改為3(而不是1),就可以對(duì)上述體系結(jié)構(gòu)進(jìn)行一些小的更改。這里有幾個(gè)結(jié)果:

結(jié)論

這些只是我設(shè)法使用自動(dòng)編碼器構(gòu)建的一些應(yīng)用程序,但可能性是無限的,因此,我建議讀者充分發(fā)揮自己的創(chuàng)造力,并找到更好的自動(dòng)編碼器用途。謝謝。

參考

1．) Vanilla AutoEncoder

2．) UNet Code and  Binary Segmentation

3．) UNet for Road map generation from aerial Images．

4．) Super Resolution