Я пытаюсь реализовать статью, например, для сегментации биологических изображений на основе архитектуры UNet. Пока я собрал CNN, но только часть для обнаружения. Я понятия не имею, как предсказать ограничивающие рамки на первом этапе и как создать гибрид net с 5 различными выходами. Я должен собрать и обучить 5 моделей для желаемого результата? Это мои общие проблемы. Двуглавая архитектура U- Net 2 : два пути расширения совместно используют карты объектов (FM) из одного пути сжатия
Спецификация записи на бумаге c, что :
"Мы представляем объект Ok: = (mk, ck, bk, pk, yk) как кортеж, где mk: Ω → {0, 1} - его двоичная маска, обозначаемая как двоичная функция области изображения Ω ⊂ N2, ck ∈ R2 - центр ограничительной рамки, bk = (wk, hk) ∈ R2 - ширина и высота ограничительной рамки, pk ∈ R2 - определяемая пользователем контрольная точка объекта в непосредственной близости от ck и yk ∈ {1 , ..., C} - это метка его класса. Множество всех объектов обозначим как O = {O1, ..., OK}. Шляпа над буквой указывает на предсказанные переменные, а заглавные переменные указывают на трехмерное представление. X = ( x, y) ∈ Ω - координаты двумерного изображения, а x = (x, z) ∈ Ω × Z - соответствующие координаты в трехмерном пространстве "
Так как справиться с этим в наборе данных с изображениями ядра? Я не знаю, кого я могу обнаружить в центре ядра и что я могу сохранить в бинарной маске. У меня есть изображение маски, но со многими объектами (ядром)
Может ли кто-нибудь помочь мне решить эти вопросы?
Вот ссылка на статью: ISOODL