Costruire una U-Net: metodo forward
Definite le layer di encoder e decoder, puoi ora implementare il metodo forward() della U-Net. Gli input sono già stati passati attraverso l'encoder per te. Tuttavia, devi definire l'ultimo blocco del decoder.
L'obiettivo del decoder è upsamplare le mappe di caratteristiche in modo che il suo output abbia la stessa altezza e larghezza dell'immagine di input della U-Net. Questo ti permetterà di ottenere maschere semantiche a livello di pixel.
Questo esercizio fa parte del corso
Deep Learning per Immagini con PyTorch
Istruzioni dell'esercizio
- Definisci l'ultimo blocco del decoder, usando
torch.cat()per creare la skip connection.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
def forward(self, x):
x1 = self.enc1(x)
x2 = self.enc2(self.pool(x1))
x3 = self.enc3(self.pool(x2))
x4 = self.enc4(self.pool(x3))
x = self.upconv3(x4)
x = torch.cat([x, x3], dim=1)
x = self.dec1(x)
x = self.upconv2(x)
x = torch.cat([x, x2], dim=1)
x = self.dec2(x)
# Define the last decoder block with skip connections
x = ____
x = ____
x = ____
return self.out(x)