basnet_segmentation.md

Highly accurate boundaries segmentation using BASNet

Author: Hamid Ali
Date created: 2023/05/30
Last modified: 2025/01/24
Description: Boundaries aware segmentation model trained on the DUTS dataset.

View in Colab • GitHub source

---

Introduction

Deep semantic segmentation algorithms have improved a lot recently, but still fails to correctly predict pixels around object boundaries. In this example we implement Boundary-Aware Segmentation Network (BASNet), using two stage predict and refine architecture, and a hybrid loss it can predict highly accurate boundaries and fine structures for image segmentation.

References:

• Boundary-Aware Segmentation Network for Mobile and Web Applications

• BASNet Keras Implementation

• Learning to Detect Salient Objects with Image-level Supervision

---

Download the Data

We will use the DUTS-TE dataset for training. It has 5,019 images but we will use 140 for training and validation to save notebook running time. DUTS is relatively large salient object segmentation dataset. which contain diversified textures and structures common to real-world images in both foreground and background.

import os

# Because of the use of tf.image.ssim in the loss,
# this example requires TensorFlow. The rest of the code
# is backend-agnostic.
os.environ["KERAS_BACKEND"] = "tensorflow"

import numpy as np
from glob import glob
import matplotlib.pyplot as plt

import keras_hub
import tensorflow as tf
import keras
from keras import layers, ops

keras.config.disable_traceback_filtering()

---

Define Hyperparameters

IMAGE_SIZE = 288
BATCH_SIZE = 4
OUT_CLASSES = 1
TRAIN_SPLIT_RATIO = 0.90

---

Create PyDatasets

We will use load_paths() to load and split 140 paths into train and validation set, and convert paths into PyDataset object.

data_dir = keras.utils.get_file(
    origin="http://saliencydetection.net/duts/download/DUTS-TE.zip",
    extract=True,
)
data_dir = os.path.join(data_dir, "DUTS-TE")


def load_paths(path, split_ratio):
    images = sorted(glob(os.path.join(path, "DUTS-TE-Image/*")))[:140]
    masks = sorted(glob(os.path.join(path, "DUTS-TE-Mask/*")))[:140]
    len_ = int(len(images) * split_ratio)
    return (images[:len_], masks[:len_]), (images[len_:], masks[len_:])


class Dataset(keras.utils.PyDataset):
    def __init__(
        self,
        image_paths,
        mask_paths,
        img_size,
        out_classes,
        batch,
        shuffle=True,
        **kwargs,
    ):
        if shuffle:
            perm = np.random.permutation(len(image_paths))
            image_paths = [image_paths[i] for i in perm]
            mask_paths = [mask_paths[i] for i in perm]
        self.image_paths = image_paths
        self.mask_paths = mask_paths
        self.img_size = img_size
        self.out_classes = out_classes
        self.batch_size = batch
        super().__init__(*kwargs)

    def __len__(self):
        return len(self.image_paths) // self.batch_size

    def __getitem__(self, idx):
        batch_x, batch_y = [], []
        for i in range(idx * self.batch_size, (idx + 1) * self.batch_size):
            x, y = self.preprocess(
                self.image_paths[i],
                self.mask_paths[i],
                self.img_size,
            )
            batch_x.append(x)
            batch_y.append(y)
        batch_x = np.stack(batch_x, axis=0)
        batch_y = np.stack(batch_y, axis=0)
        return batch_x, batch_y

    def read_image(self, path, size, mode):
        x = keras.utils.load_img(path, target_size=size, color_mode=mode)
        x = keras.utils.img_to_array(x)
        x = (x / 255.0).astype(np.float32)
        return x

    def preprocess(self, x_batch, y_batch, img_size):
        images = self.read_image(x_batch, (img_size, img_size), mode="rgb")  # image
        masks = self.read_image(y_batch, (img_size, img_size), mode="grayscale")  # mask
        return images, masks


train_paths, val_paths = load_paths(data_dir, TRAIN_SPLIT_RATIO)

train_dataset = Dataset(
    train_paths[0], train_paths[1], IMAGE_SIZE, OUT_CLASSES, BATCH_SIZE, shuffle=True
)
val_dataset = Dataset(
    val_paths[0], val_paths[1], IMAGE_SIZE, OUT_CLASSES, BATCH_SIZE, shuffle=False
)

---

Visualize Data

def display(display_list):
    title = ["Input Image", "True Mask", "Predicted Mask"]

    for i in range(len(display_list)):
        plt.subplot(1, len(display_list), i + 1)
        plt.title(title[i])
        plt.imshow(keras.utils.array_to_img(display_list[i]), cmap="gray")
        plt.axis("off")
    plt.show()


for image, mask in val_dataset:
    display([image[0], mask[0]])
    break

---

Analyze Mask

Lets print unique values of above displayed mask. You can see despite belonging to one class, it's intensity is changing between low(0) to high(255). This variation in intensity makes it hard for network to generate good segmentation map for salient or camouflaged object segmentation. Because of its Residual Refined Module (RMs), BASNet is good in generating highly accurate boundaries and fine structures.

print(f"Unique values count: {len(np.unique((mask[0] * 255)))}")
print("Unique values:")
print(np.unique((mask[0] * 255)).astype(int))

``` Unique values count: 245 Unique values: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 61 62 63 65 66 67 68 69 70 71 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 108 109 110 111 112 113 114 115 116 117 118 119 120 122 123 124 125 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255]

</div>
---
## Building the BASNet Model

BASNet comprises of a predict-refine architecture and a hybrid loss. The predict-refine
architecture consists of a densely supervised encoder-decoder network and a residual refinement
module, which are respectively used to predict and refine a segmentation probability map.

![](https://i.imgur.com/8jaZ2qs.png)


```python

def basic_block(x_input, filters, stride=1, down_sample=None, activation=None):
    """Creates a residual(identity) block with two 3*3 convolutions."""
    residual = x_input

    x = layers.Conv2D(filters, (3, 3), strides=stride, padding="same", use_bias=False)(
        x_input
    )
    x = layers.BatchNormalization()(x)
    x = layers.Activation("relu")(x)

    x = layers.Conv2D(filters, (3, 3), strides=(1, 1), padding="same", use_bias=False)(
        x
    )
    x = layers.BatchNormalization()(x)

    if down_sample is not None:
        residual = down_sample

    x = layers.Add()([x, residual])

    if activation is not None:
        x = layers.Activation(activation)(x)

    return x


def convolution_block(x_input, filters, dilation=1):
    """Apply convolution + batch normalization + relu layer."""
    x = layers.Conv2D(filters, (3, 3), padding="same", dilation_rate=dilation)(x_input)
    x = layers.BatchNormalization()(x)
    return layers.Activation("relu")(x)


def segmentation_head(x_input, out_classes, final_size):
    """Map each decoder stage output to model output classes."""
    x = layers.Conv2D(out_classes, kernel_size=(3, 3), padding="same")(x_input)

    if final_size is not None:
        x = layers.Resizing(final_size[0], final_size[1])(x)

    return x


def get_resnet_block(resnet, block_num):
    """Extract and return a ResNet-34 block."""
    extractor_levels = ["P2", "P3", "P4", "P5"]
    num_blocks = resnet.stackwise_num_blocks
    if block_num == 0:
        x = resnet.get_layer("pool1_pool").output
    else:
        x = resnet.pyramid_outputs[extractor_levels[block_num - 1]]
    y = resnet.get_layer(f"stack{block_num}_block{num_blocks[block_num]-1}_add").output
    return keras.models.Model(
        inputs=x,
        outputs=y,
        name=f"resnet_block{block_num + 1}",
    )

---

Prediction Module

Prediction module is a heavy encoder decoder structure like U-Net. The encoder includes an input convolutional layer and six stages. First four are adopted from ResNet-34 and rest are basic res-blocks. Since first convolution and pooling layer of ResNet-34 is skipped so we will use get_resnet_block() to extract first four blocks. Both bridge and decoder uses three convolutional layers with side outputs. The module produces seven segmentation probability maps during training, with the last one considered the final output.

def basnet_predict(input_shape, out_classes):
    """BASNet Prediction Module, it outputs coarse label map."""
    filters = 64
    num_stages = 6

    x_input = layers.Input(input_shape)

    # -------------Encoder--------------
    x = layers.Conv2D(filters, kernel_size=(3, 3), padding="same")(x_input)

    resnet = keras_hub.models.ResNetBackbone(
        input_conv_filters=[64],
        input_conv_kernel_sizes=[7],
        stackwise_num_filters=[64, 128, 256, 512],
        stackwise_num_blocks=[3, 4, 6, 3],
        stackwise_num_strides=[1, 2, 2, 2],
        block_type="basic_block",
    )

    encoder_blocks = []
    for i in range(num_stages):
        if i < 4:  # First four stages are adopted from ResNet-34 blocks.
            x = get_resnet_block(resnet, i)(x)
            encoder_blocks.append(x)
            x = layers.Activation("relu")(x)
        else:  # Last 2 stages consist of three basic resnet blocks.
            x = layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2))(x)
            x = basic_block(x, filters=filters * 8, activation="relu")
            x = basic_block(x, filters=filters * 8, activation="relu")
            x = basic_block(x, filters=filters * 8, activation="relu")
            encoder_blocks.append(x)

    # -------------Bridge-------------
    x = convolution_block(x, filters=filters * 8, dilation=2)
    x = convolution_block(x, filters=filters * 8, dilation=2)
    x = convolution_block(x, filters=filters * 8, dilation=2)
    encoder_blocks.append(x)

    # -------------Decoder-------------
    decoder_blocks = []
    for i in reversed(range(num_stages)):
        if i != (num_stages - 1):  # Except first, scale other decoder stages.
            shape = x.shape
            x = layers.Resizing(shape[1] * 2, shape[2] * 2)(x)

        x = layers.concatenate([encoder_blocks[i], x], axis=-1)
        x = convolution_block(x, filters=filters * 8)
        x = convolution_block(x, filters=filters * 8)
        x = convolution_block(x, filters=filters * 8)
        decoder_blocks.append(x)

    decoder_blocks.reverse()  # Change order from last to first decoder stage.
    decoder_blocks.append(encoder_blocks[-1])  # Copy bridge to decoder.

    # -------------Side Outputs--------------
    decoder_blocks = [
        segmentation_head(decoder_block, out_classes, input_shape[:2])
        for decoder_block in decoder_blocks
    ]

    return keras.models.Model(inputs=x_input, outputs=decoder_blocks)

---

Residual Refinement Module

Refinement Modules (RMs), designed as a residual block aim to refines the coarse(blurry and noisy boundaries) segmentation maps generated by prediction module. Similar to prediction module it's also an encode decoder structure but with light weight 4 stages, each containing one convolutional block() init. At the end it adds both coarse and residual output to generate refined output.

def basnet_rrm(base_model, out_classes):
    """BASNet Residual Refinement Module(RRM) module, output fine label map."""
    num_stages = 4
    filters = 64

    x_input = base_model.output[0]

    # -------------Encoder--------------
    x = layers.Conv2D(filters, kernel_size=(3, 3), padding="same")(x_input)

    encoder_blocks = []
    for _ in range(num_stages):
        x = convolution_block(x, filters=filters)
        encoder_blocks.append(x)
        x = layers.MaxPool2D(pool_size=(2, 2), strides=(2, 2))(x)

    # -------------Bridge--------------
    x = convolution_block(x, filters=filters)

    # -------------Decoder--------------
    for i in reversed(range(num_stages)):
        shape = x.shape
        x = layers.Resizing(shape[1] * 2, shape[2] * 2)(x)
        x = layers.concatenate([encoder_blocks[i], x], axis=-1)
        x = convolution_block(x, filters=filters)

    x = segmentation_head(x, out_classes, None)  # Segmentation head.

    # ------------- refined = coarse + residual
    x = layers.Add()([x_input, x])  # Add prediction + refinement output

    return keras.models.Model(inputs=[base_model.input], outputs=[x])

---

Combine Predict and Refinement Module

class BASNet(keras.Model):
    def __init__(self, input_shape, out_classes):
        """BASNet, it's a combination of two modules
        Prediction Module and Residual Refinement Module(RRM)."""

        # Prediction model.
        predict_model = basnet_predict(input_shape, out_classes)
        # Refinement model.
        refine_model = basnet_rrm(predict_model, out_classes)

        output = refine_model.outputs  # Combine outputs.
        output.extend(predict_model.output)

        # Activations.
        output = [layers.Activation("sigmoid")(x) for x in output]
        super().__init__(inputs=predict_model.input, outputs=output)

        self.smooth = 1.0e-9
        # Binary Cross Entropy loss.
        self.cross_entropy_loss = keras.losses.BinaryCrossentropy()
        # Structural Similarity Index value.
        self.ssim_value = tf.image.ssim
        # Jaccard / IoU loss.
        self.iou_value = self.calculate_iou

    def calculate_iou(
        self,
        y_true,
        y_pred,
    ):
        """Calculate intersection over union (IoU) between images."""
        intersection = ops.sum(ops.abs(y_true * y_pred), axis=[1, 2, 3])
        union = ops.sum(y_true, [1, 2, 3]) + ops.sum(y_pred, [1, 2, 3])
        union = union - intersection
        return ops.mean((intersection + self.smooth) / (union + self.smooth), axis=0)

    def compute_loss(self, x, y_true, y_pred, sample_weight=None, training=False):
        total = 0.0
        for y_pred_i in y_pred:  # y_pred = refine_model.outputs + predict_model.output
            cross_entropy_loss = self.cross_entropy_loss(y_true, y_pred_i)

            ssim_value = self.ssim_value(y_true, y_pred, max_val=1)
            ssim_loss = ops.mean(1 - ssim_value + self.smooth, axis=0)

            iou_value = self.iou_value(y_true, y_pred)
            iou_loss = 1 - iou_value

            # Add all three losses.
            total += cross_entropy_loss + ssim_loss + iou_loss
        return total

---

Hybrid Loss

Another important feature of BASNet is its hybrid loss function, which is a combination of binary cross entropy, structural similarity and intersection-over-union losses, which guide the network to learn three-level (i.e., pixel, patch and map level) hierarchy representations.

basnet_model = BASNet(
    input_shape=[IMAGE_SIZE, IMAGE_SIZE, 3], out_classes=OUT_CLASSES
)  # Create model.
basnet_model.summary()  # Show model summary.

optimizer = keras.optimizers.Adam(learning_rate=1e-4, epsilon=1e-8)
# Compile model.
basnet_model.compile(
    optimizer=optimizer,
    metrics=[keras.metrics.MeanAbsoluteError(name="mae") for _ in basnet_model.outputs],
)

Model: "bas_net"

┏━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━┳━━━━━━━━━━━━━━━━━━━┓
┃ Layer (type)        ┃ Output Shape      ┃    Param # ┃ Connected to      ┃
┡━━━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━╇━━━━━━━━━━━━╇━━━━━━━━━━━━━━━━━━━┩
│ input_layer         │ (None, 288, 288,  │          0 │ -                 │
│ (InputLayer)        │ 3)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d (Conv2D)     │ (None, 288, 288,  │      1,792 │ input_layer[0][0] │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resnet_block1       │ (None, 288, 288,  │    222,720 │ conv2d[0][0]      │
│ (Functional)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation          │ (None, 288, 288,  │          0 │ resnet_block1[0]… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resnet_block2       │ (None, 144, 144,  │  1,118,720 │ activation[0][0]  │
│ (Functional)        │ 128)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_1        │ (None, 144, 144,  │          0 │ resnet_block2[0]… │
│ (Activation)        │ 128)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resnet_block3       │ (None, 72, 72,    │  6,829,056 │ activation_1[0][… │
│ (Functional)        │ 256)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_2        │ (None, 72, 72,    │          0 │ resnet_block3[0]… │
│ (Activation)        │ 256)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resnet_block4       │ (None, 36, 36,    │ 13,121,536 │ activation_2[0][… │
│ (Functional)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_3        │ (None, 36, 36,    │          0 │ resnet_block4[0]… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d       │ (None, 18, 18,    │          0 │ activation_3[0][… │
│ (MaxPooling2D)      │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_1 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ max_pooling2d[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalization │ (None, 18, 18,    │      2,048 │ conv2d_1[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_4        │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_2 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ activation_4[0][… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_2[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add (Add)           │ (None, 18, 18,    │          0 │ batch_normalizat… │
│                     │ 512)              │            │ max_pooling2d[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_5        │ (None, 18, 18,    │          0 │ add[0][0]         │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_3 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ activation_5[0][… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_3[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_6        │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_4 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ activation_6[0][… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_4[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_1 (Add)         │ (None, 18, 18,    │          0 │ batch_normalizat… │
│                     │ 512)              │            │ activation_5[0][… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_7        │ (None, 18, 18,    │          0 │ add_1[0][0]       │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_5 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ activation_7[0][… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_5[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_8        │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_6 (Conv2D)   │ (None, 18, 18,    │  2,359,296 │ activation_8[0][… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_6[0][0]    │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_2 (Add)         │ (None, 18, 18,    │          0 │ batch_normalizat… │
│                     │ 512)              │            │ activation_7[0][… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_9        │ (None, 18, 18,    │          0 │ add_2[0][0]       │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d_1     │ (None, 9, 9, 512) │          0 │ activation_9[0][… │
│ (MaxPooling2D)      │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_7 (Conv2D)   │ (None, 9, 9, 512) │  2,359,296 │ max_pooling2d_1[… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_7[0][0]    │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_10       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_8 (Conv2D)   │ (None, 9, 9, 512) │  2,359,296 │ activation_10[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_8[0][0]    │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_3 (Add)         │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│                     │                   │            │ max_pooling2d_1[… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_11       │ (None, 9, 9, 512) │          0 │ add_3[0][0]       │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_9 (Conv2D)   │ (None, 9, 9, 512) │  2,359,296 │ activation_11[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_9[0][0]    │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_12       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_10 (Conv2D)  │ (None, 9, 9, 512) │  2,359,296 │ activation_12[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_10[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_4 (Add)         │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│                     │                   │            │ activation_11[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_13       │ (None, 9, 9, 512) │          0 │ add_4[0][0]       │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_11 (Conv2D)  │ (None, 9, 9, 512) │  2,359,296 │ activation_13[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_11[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_14       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_12 (Conv2D)  │ (None, 9, 9, 512) │  2,359,296 │ activation_14[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_12[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_5 (Add)         │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│                     │                   │            │ activation_13[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_15       │ (None, 9, 9, 512) │          0 │ add_5[0][0]       │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_13 (Conv2D)  │ (None, 9, 9, 512) │  2,359,808 │ activation_15[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_13[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_16       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_14 (Conv2D)  │ (None, 9, 9, 512) │  2,359,808 │ activation_16[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_14[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_17       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_15 (Conv2D)  │ (None, 9, 9, 512) │  2,359,808 │ activation_17[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_15[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_18       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate         │ (None, 9, 9,      │          0 │ activation_15[0]… │
│ (Concatenate)       │ 1024)             │            │ activation_18[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_16 (Conv2D)  │ (None, 9, 9, 512) │  4,719,104 │ concatenate[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_16[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_19       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_17 (Conv2D)  │ (None, 9, 9, 512) │  2,359,808 │ activation_19[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_17[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_20       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_18 (Conv2D)  │ (None, 9, 9, 512) │  2,359,808 │ activation_20[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 9, 9, 512) │      2,048 │ conv2d_18[0][0]   │
│ (BatchNormalizatio… │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_21       │ (None, 9, 9, 512) │          0 │ batch_normalizat… │
│ (Activation)        │                   │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing (Resizing) │ (None, 18, 18,    │          0 │ activation_21[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_1       │ (None, 18, 18,    │          0 │ activation_9[0][… │
│ (Concatenate)       │ 1024)             │            │ resizing[0][0]    │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_19 (Conv2D)  │ (None, 18, 18,    │  4,719,104 │ concatenate_1[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_19[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_22       │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_20 (Conv2D)  │ (None, 18, 18,    │  2,359,808 │ activation_22[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_20[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_23       │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_21 (Conv2D)  │ (None, 18, 18,    │  2,359,808 │ activation_23[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │      2,048 │ conv2d_21[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_24       │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_1          │ (None, 36, 36,    │          0 │ activation_24[0]… │
│ (Resizing)          │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_2       │ (None, 36, 36,    │          0 │ resnet_block4[0]… │
│ (Concatenate)       │ 1024)             │            │ resizing_1[0][0]  │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_22 (Conv2D)  │ (None, 36, 36,    │  4,719,104 │ concatenate_2[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 36, 36,    │      2,048 │ conv2d_22[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_25       │ (None, 36, 36,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_23 (Conv2D)  │ (None, 36, 36,    │  2,359,808 │ activation_25[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 36, 36,    │      2,048 │ conv2d_23[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_26       │ (None, 36, 36,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_24 (Conv2D)  │ (None, 36, 36,    │  2,359,808 │ activation_26[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 36, 36,    │      2,048 │ conv2d_24[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_27       │ (None, 36, 36,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_2          │ (None, 72, 72,    │          0 │ activation_27[0]… │
│ (Resizing)          │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_3       │ (None, 72, 72,    │          0 │ resnet_block3[0]… │
│ (Concatenate)       │ 768)              │            │ resizing_2[0][0]  │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_25 (Conv2D)  │ (None, 72, 72,    │  3,539,456 │ concatenate_3[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 72, 72,    │      2,048 │ conv2d_25[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_28       │ (None, 72, 72,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_26 (Conv2D)  │ (None, 72, 72,    │  2,359,808 │ activation_28[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 72, 72,    │      2,048 │ conv2d_26[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_29       │ (None, 72, 72,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_27 (Conv2D)  │ (None, 72, 72,    │  2,359,808 │ activation_29[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 72, 72,    │      2,048 │ conv2d_27[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_30       │ (None, 72, 72,    │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_3          │ (None, 144, 144,  │          0 │ activation_30[0]… │
│ (Resizing)          │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_4       │ (None, 144, 144,  │          0 │ resnet_block2[0]… │
│ (Concatenate)       │ 640)              │            │ resizing_3[0][0]  │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_28 (Conv2D)  │ (None, 144, 144,  │  2,949,632 │ concatenate_4[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 144, 144,  │      2,048 │ conv2d_28[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_31       │ (None, 144, 144,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_29 (Conv2D)  │ (None, 144, 144,  │  2,359,808 │ activation_31[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 144, 144,  │      2,048 │ conv2d_29[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_32       │ (None, 144, 144,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_30 (Conv2D)  │ (None, 144, 144,  │  2,359,808 │ activation_32[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 144, 144,  │      2,048 │ conv2d_30[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_33       │ (None, 144, 144,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_4          │ (None, 288, 288,  │          0 │ activation_33[0]… │
│ (Resizing)          │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_5       │ (None, 288, 288,  │          0 │ resnet_block1[0]… │
│ (Concatenate)       │ 576)              │            │ resizing_4[0][0]  │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_31 (Conv2D)  │ (None, 288, 288,  │  2,654,720 │ concatenate_5[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 288, 288,  │      2,048 │ conv2d_31[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_34       │ (None, 288, 288,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_32 (Conv2D)  │ (None, 288, 288,  │  2,359,808 │ activation_34[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 288, 288,  │      2,048 │ conv2d_32[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_35       │ (None, 288, 288,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_33 (Conv2D)  │ (None, 288, 288,  │  2,359,808 │ activation_35[0]… │
│                     │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 288, 288,  │      2,048 │ conv2d_33[0][0]   │
│ (BatchNormalizatio… │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_36       │ (None, 288, 288,  │          0 │ batch_normalizat… │
│ (Activation)        │ 512)              │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_34 (Conv2D)  │ (None, 288, 288,  │      4,609 │ activation_36[0]… │
│                     │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_5          │ (None, 288, 288,  │          0 │ conv2d_34[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_41 (Conv2D)  │ (None, 288, 288,  │        640 │ resizing_5[0][0]  │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_42 (Conv2D)  │ (None, 288, 288,  │     36,928 │ conv2d_41[0][0]   │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 288, 288,  │        256 │ conv2d_42[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_37       │ (None, 288, 288,  │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d_2     │ (None, 144, 144,  │          0 │ activation_37[0]… │
│ (MaxPooling2D)      │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_43 (Conv2D)  │ (None, 144, 144,  │     36,928 │ max_pooling2d_2[… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 144, 144,  │        256 │ conv2d_43[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_38       │ (None, 144, 144,  │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d_3     │ (None, 72, 72,    │          0 │ activation_38[0]… │
│ (MaxPooling2D)      │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_44 (Conv2D)  │ (None, 72, 72,    │     36,928 │ max_pooling2d_3[… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 72, 72,    │        256 │ conv2d_44[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_39       │ (None, 72, 72,    │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d_4     │ (None, 36, 36,    │          0 │ activation_39[0]… │
│ (MaxPooling2D)      │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_45 (Conv2D)  │ (None, 36, 36,    │     36,928 │ max_pooling2d_4[… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 36, 36,    │        256 │ conv2d_45[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_40       │ (None, 36, 36,    │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ max_pooling2d_5     │ (None, 18, 18,    │          0 │ activation_40[0]… │
│ (MaxPooling2D)      │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_46 (Conv2D)  │ (None, 18, 18,    │     36,928 │ max_pooling2d_5[… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 18, 18,    │        256 │ conv2d_46[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_41       │ (None, 18, 18,    │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_12         │ (None, 36, 36,    │          0 │ activation_41[0]… │
│ (Resizing)          │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_6       │ (None, 36, 36,    │          0 │ activation_40[0]… │
│ (Concatenate)       │ 128)              │            │ resizing_12[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_47 (Conv2D)  │ (None, 36, 36,    │     73,792 │ concatenate_6[0]… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 36, 36,    │        256 │ conv2d_47[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_42       │ (None, 36, 36,    │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_13         │ (None, 72, 72,    │          0 │ activation_42[0]… │
│ (Resizing)          │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_7       │ (None, 72, 72,    │          0 │ activation_39[0]… │
│ (Concatenate)       │ 128)              │            │ resizing_13[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_48 (Conv2D)  │ (None, 72, 72,    │     73,792 │ concatenate_7[0]… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 72, 72,    │        256 │ conv2d_48[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_43       │ (None, 72, 72,    │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_14         │ (None, 144, 144,  │          0 │ activation_43[0]… │
│ (Resizing)          │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_8       │ (None, 144, 144,  │          0 │ activation_38[0]… │
│ (Concatenate)       │ 128)              │            │ resizing_14[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_49 (Conv2D)  │ (None, 144, 144,  │     73,792 │ concatenate_8[0]… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 144, 144,  │        256 │ conv2d_49[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_44       │ (None, 144, 144,  │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_15         │ (None, 288, 288,  │          0 │ activation_44[0]… │
│ (Resizing)          │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ concatenate_9       │ (None, 288, 288,  │          0 │ activation_37[0]… │
│ (Concatenate)       │ 128)              │            │ resizing_15[0][0] │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_50 (Conv2D)  │ (None, 288, 288,  │     73,792 │ concatenate_9[0]… │
│                     │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ batch_normalizatio… │ (None, 288, 288,  │        256 │ conv2d_50[0][0]   │
│ (BatchNormalizatio… │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_45       │ (None, 288, 288,  │          0 │ batch_normalizat… │
│ (Activation)        │ 64)               │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_51 (Conv2D)  │ (None, 288, 288,  │        577 │ activation_45[0]… │
│                     │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_35 (Conv2D)  │ (None, 144, 144,  │      4,609 │ activation_33[0]… │
│                     │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_36 (Conv2D)  │ (None, 72, 72, 1) │      4,609 │ activation_30[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_37 (Conv2D)  │ (None, 36, 36, 1) │      4,609 │ activation_27[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_38 (Conv2D)  │ (None, 18, 18, 1) │      4,609 │ activation_24[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_39 (Conv2D)  │ (None, 9, 9, 1)   │      4,609 │ activation_21[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ conv2d_40 (Conv2D)  │ (None, 9, 9, 1)   │      4,609 │ activation_18[0]… │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ add_6 (Add)         │ (None, 288, 288,  │          0 │ resizing_5[0][0], │
│                     │ 1)                │            │ conv2d_51[0][0]   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_6          │ (None, 288, 288,  │          0 │ conv2d_35[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_7          │ (None, 288, 288,  │          0 │ conv2d_36[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_8          │ (None, 288, 288,  │          0 │ conv2d_37[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_9          │ (None, 288, 288,  │          0 │ conv2d_38[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_10         │ (None, 288, 288,  │          0 │ conv2d_39[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ resizing_11         │ (None, 288, 288,  │          0 │ conv2d_40[0][0]   │
│ (Resizing)          │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_46       │ (None, 288, 288,  │          0 │ add_6[0][0]       │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_47       │ (None, 288, 288,  │          0 │ resizing_5[0][0]  │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_48       │ (None, 288, 288,  │          0 │ resizing_6[0][0]  │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_49       │ (None, 288, 288,  │          0 │ resizing_7[0][0]  │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_50       │ (None, 288, 288,  │          0 │ resizing_8[0][0]  │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_51       │ (None, 288, 288,  │          0 │ resizing_9[0][0]  │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_52       │ (None, 288, 288,  │          0 │ resizing_10[0][0] │
│ (Activation)        │ 1)                │            │                   │
├─────────────────────┼───────────────────┼────────────┼───────────────────┤
│ activation_53       │ (None, 288, 288,  │          0 │ resizing_11[0][0] │
│ (Activation)        │ 1)                │            │                   │
└─────────────────────┴───────────────────┴────────────┴───────────────────┘

 Total params: 108,886,792 (415.37 MB)

 Trainable params: 108,834,952 (415.17 MB)

 Non-trainable params: 51,840 (202.50 KB)

Train the Model

basnet_model.fit(train_dataset, validation_data=val_dataset, epochs=1)

``` 31/31 ━━━━━━━━━━━━━━━━━━━━ 38319s 1245s/step - activation_46_mae: 0.2864 - loss: 17.4035 - val_activation_46_mae: 0.8427 - val_loss: 238.6499

<keras.src.callbacks.history.History at 0x1312ff970>

</div>
### Visualize Predictions

In paper BASNet was trained on DUTS-TR dataset, which has 10553 images. Model was trained for 400k
iterations with a batch size of eight and without a validation dataset. After training model was
evaluated on DUTS-TE dataset and achieved a mean absolute error of `0.042`.

Since BASNet is a deep model and cannot be trained in a short amount of time which is a
requirement for keras example notebook, so we will load pretrained weights from [here](https://github.com/hamidriasat/BASNet/tree/basnet_keras)
to show model prediction. Due to computer power limitation this model was trained for 120k
iterations but it still demonstrates its capabilities. For further details about
trainings parameters please check given link.


```python
import gdown

gdown.download(id="1OWKouuAQ7XpXZbWA3mmxDPrFGW71Axrg", output="basnet_weights.h5")


def normalize_output(prediction):
    max_value = np.max(prediction)
    min_value = np.min(prediction)
    return (prediction - min_value) / (max_value - min_value)


# Load weights.
basnet_model.load_weights("./basnet_weights.h5")

``` Downloading... From (original): https://drive.google.com/uc?id=1OWKouuAQ7XpXZbWA3mmxDPrFGW71Axrg From (redirected): https://drive.google.com/uc?id=1OWKouuAQ7XpXZbWA3mmxDPrFGW71Axrg&confirm=t&uuid=57f729b1-764a-4fbb-a569-c6eb5dd414ef To: /Users/laxmareddyp/Desktop/Keras-IO/keras-io/scripts/tmp_4610020/basnet_weights.h5

Python(47905) MallocStackLogging: can't turn off malloc stack logging because it was not enabled.

</div>
    
  0%|                                                                                                                      | 0.00/436M [00:00<?, ?B/s]

    
  0%|▎                                                                                                            | 1.05M/436M [00:00<00:42, 10.2MB/s]

    
  0%|▌                                                                                                            | 2.10M/436M [00:00<00:42, 10.1MB/s]

    
  1%|▉                                                                                                            | 3.67M/436M [00:00<00:40, 10.7MB/s]

    
  1%|█▎                                                                                                           | 5.24M/436M [00:00<00:37, 11.5MB/s]

    
  2%|█▋                                                                                                           | 6.82M/436M [00:00<00:36, 11.8MB/s]

    
  2%|██                                                                                                           | 8.39M/436M [00:00<00:33, 12.8MB/s]

    
  2%|██▍                                                                                                          | 9.96M/436M [00:00<00:31, 13.5MB/s]

    
  3%|███                                                                                                          | 12.1M/436M [00:00<00:28, 14.9MB/s]

    
  3%|███▋                                                                                                         | 14.7M/436M [00:01<00:24, 17.0MB/s]

    
  4%|████▎                                                                                                        | 17.3M/436M [00:01<00:22, 18.2MB/s]

    
  5%|████▉                                                                                                        | 19.9M/436M [00:01<00:21, 19.6MB/s]

    
  5%|█████▋                                                                                                       | 22.5M/436M [00:01<00:20, 20.3MB/s]

    
  6%|██████▎                                                                                                      | 25.2M/436M [00:01<00:19, 20.7MB/s]

    
  6%|██████▊                                                                                                      | 27.3M/436M [00:01<00:20, 20.3MB/s]

    
  7%|███████▍                                                                                                     | 29.9M/436M [00:01<00:19, 20.7MB/s]

    
  7%|███████▉                                                                                                     | 32.0M/436M [00:01<00:19, 20.5MB/s]

    
  8%|████████▋                                                                                                    | 34.6M/436M [00:01<00:19, 20.7MB/s]

    
  8%|█████████▏                                                                                                   | 36.7M/436M [00:02<00:19, 20.7MB/s]

    
  9%|█████████▋                                                                                                   | 38.8M/436M [00:02<00:19, 20.1MB/s]

    
  9%|██████████▎                                                                                                  | 41.4M/436M [00:02<00:18, 21.4MB/s]

    
 10%|███████████                                                                                                  | 44.0M/436M [00:02<00:18, 21.5MB/s]

    
 11%|███████████▋                                                                                                 | 46.7M/436M [00:02<00:18, 21.0MB/s]

    
 11%|████████████▎                                                                                                | 49.3M/436M [00:02<00:19, 20.1MB/s]

    
 12%|████████████▉                                                                                                | 51.9M/436M [00:02<00:18, 21.2MB/s]

    
 13%|█████████████▋                                                                                               | 54.5M/436M [00:02<00:18, 21.0MB/s]

    
 13%|██████████████▎                                                                                              | 57.1M/436M [00:03<00:18, 20.8MB/s]

    
 14%|██████████████▊                                                                                              | 59.2M/436M [00:03<00:18, 20.6MB/s]

    
 14%|███████████████▎                                                                                             | 61.3M/436M [00:03<00:18, 19.8MB/s]

    
 15%|███████████████▊                                                                                             | 63.4M/436M [00:03<00:19, 19.5MB/s]

    
 15%|████████████████▍                                                                                            | 65.5M/436M [00:03<00:18, 19.7MB/s]

    
 16%|█████████████████                                                                                            | 68.2M/436M [00:03<00:18, 20.2MB/s]

    
 16%|█████████████████▌                                                                                           | 70.3M/436M [00:03<00:17, 20.4MB/s]

    
 17%|██████████████████                                                                                           | 72.4M/436M [00:03<00:18, 20.1MB/s]

    
 17%|██████████████████▋                                                                                          | 75.0M/436M [00:03<00:18, 20.0MB/s]

    
 18%|███████████████████▍                                                                                         | 77.6M/436M [00:04<00:17, 20.1MB/s]

    
 18%|████████████████████                                                                                         | 80.2M/436M [00:04<00:16, 21.1MB/s]

    
 19%|████████████████████▋                                                                                        | 82.8M/436M [00:04<00:16, 21.1MB/s]

    
 20%|█████████████████████▎                                                                                       | 85.5M/436M [00:04<00:16, 21.4MB/s]

    
 20%|██████████████████████                                                                                       | 88.1M/436M [00:04<00:16, 21.0MB/s]

    
 21%|██████████████████████▋                                                                                      | 90.7M/436M [00:04<00:16, 21.1MB/s]

    
 21%|███████████████████████▎                                                                                     | 93.3M/436M [00:04<00:16, 21.4MB/s]

    
 22%|███████████████████████▉                                                                                     | 95.9M/436M [00:04<00:15, 21.5MB/s]

    
 23%|████████████████████████▋                                                                                    | 98.6M/436M [00:05<00:15, 21.6MB/s]

    
 23%|█████████████████████████▌                                                                                    | 101M/436M [00:05<00:16, 20.1MB/s]

    
 24%|██████████████████████████                                                                                    | 103M/436M [00:05<00:16, 19.8MB/s]

    
 24%|██████████████████████████▋                                                                                   | 106M/436M [00:05<00:16, 20.2MB/s]

    
 25%|███████████████████████████▏                                                                                  | 108M/436M [00:05<00:22, 14.3MB/s]

    
 25%|███████████████████████████▊                                                                                  | 110M/436M [00:05<00:21, 15.3MB/s]

    
 26%|████████████████████████████▎                                                                                 | 112M/436M [00:05<00:19, 16.2MB/s]

    
 26%|████████████████████████████▉                                                                                 | 115M/436M [00:06<00:17, 18.2MB/s]

    
 27%|█████████████████████████████▌                                                                                | 117M/436M [00:06<00:16, 19.2MB/s]

    
 28%|██████████████████████████████▎                                                                               | 120M/436M [00:06<00:15, 20.0MB/s]

    
 28%|██████████████████████████████▉                                                                               | 123M/436M [00:06<00:15, 20.5MB/s]

    
 29%|███████████████████████████████▌                                                                              | 125M/436M [00:06<00:15, 20.7MB/s]

    
 29%|████████████████████████████████▎                                                                             | 128M/436M [00:06<00:14, 21.1MB/s]

    
 30%|████████████████████████████████▉                                                                             | 131M/436M [00:06<00:14, 20.7MB/s]

    
 31%|█████████████████████████████████▌                                                                            | 133M/436M [00:06<00:14, 21.1MB/s]

    
 31%|██████████████████████████████████▎                                                                           | 136M/436M [00:07<00:14, 21.2MB/s]

    
 32%|██████████████████████████████████▉                                                                           | 138M/436M [00:07<00:13, 21.4MB/s]

    
 32%|███████████████████████████████████▌                                                                          | 141M/436M [00:07<00:13, 21.5MB/s]

    
 33%|████████████████████████████████████▏                                                                         | 144M/436M [00:07<00:13, 21.6MB/s]

    
 34%|████████████████████████████████████▉                                                                         | 146M/436M [00:07<00:13, 21.6MB/s]

    
 34%|█████████████████████████████████████▌                                                                        | 149M/436M [00:07<00:13, 21.7MB/s]

    
 35%|██████████████████████████████████████▏                                                                       | 152M/436M [00:07<00:13, 21.2MB/s]

    
 35%|██████████████████████████████████████▉                                                                       | 154M/436M [00:07<00:13, 20.8MB/s]

    
 36%|███████████████████████████████████████▌                                                                      | 157M/436M [00:08<00:13, 20.9MB/s]

    
 36%|████████████████████████████████████████                                                                      | 159M/436M [00:08<00:14, 19.0MB/s]

    
 37%|████████████████████████████████████████▌                                                                     | 161M/436M [00:08<00:14, 19.5MB/s]

    
 37%|█████████████████████████████████████████▏                                                                    | 163M/436M [00:08<00:14, 19.5MB/s]

    
 38%|█████████████████████████████████████████▋                                                                    | 165M/436M [00:08<00:13, 19.6MB/s]

    
 38%|██████████████████████████████████████████▏                                                                   | 167M/436M [00:08<00:13, 19.6MB/s]

    
 39%|██████████████████████████████████████████▊                                                                   | 170M/436M [00:08<00:13, 20.2MB/s]

    
 39%|███████████████████████████████████████████▍                                                                  | 172M/436M [00:08<00:13, 19.2MB/s]

    
 40%|███████████████████████████████████████████▉                                                                  | 174M/436M [00:08<00:13, 19.3MB/s]

    
 40%|████████████████████████████████████████████▍                                                                 | 176M/436M [00:09<00:13, 19.4MB/s]

    
 41%|████████████████████████████████████████████▉                                                                 | 178M/436M [00:09<00:13, 19.6MB/s]

    
 41%|█████████████████████████████████████████████▍                                                                | 180M/436M [00:09<00:13, 19.2MB/s]

    
 42%|██████████████████████████████████████████████                                                                | 182M/436M [00:09<00:13, 19.1MB/s]

    
 42%|██████████████████████████████████████████████▋                                                               | 185M/436M [00:09<00:13, 18.7MB/s]

    
 43%|███████████████████████████████████████████████▏                                                              | 187M/436M [00:09<00:12, 19.2MB/s]

    
 43%|███████████████████████████████████████████████▋                                                              | 189M/436M [00:09<00:12, 19.0MB/s]

    
 44%|████████████████████████████████████████████████▎                                                             | 191M/436M [00:09<00:12, 18.9MB/s]

    
 44%|████████████████████████████████████████████████▊                                                             | 193M/436M [00:09<00:13, 18.6MB/s]

    
 45%|█████████████████████████████████████████████████▎                                                            | 196M/436M [00:10<00:12, 18.6MB/s]

    
 45%|█████████████████████████████████████████████████▊                                                            | 198M/436M [00:10<00:12, 18.4MB/s]

    
 46%|██████████████████████████████████████████████████▌                                                           | 200M/436M [00:10<00:12, 19.5MB/s]

    
 46%|███████████████████████████████████████████████████                                                           | 202M/436M [00:10<00:11, 19.8MB/s]

    
 47%|███████████████████████████████████████████████████▋                                                          | 205M/436M [00:10<00:11, 20.4MB/s]

    
 48%|████████████████████████████████████████████████████▎                                                         | 208M/436M [00:10<00:10, 20.8MB/s]

    
 48%|████████████████████████████████████████████████████▉                                                         | 210M/436M [00:10<00:11, 19.2MB/s]

    
 49%|█████████████████████████████████████████████████████▋                                                        | 213M/436M [00:10<00:10, 21.9MB/s]

    
 49%|██████████████████████████████████████████████████████▎                                                       | 215M/436M [00:11<00:10, 21.8MB/s]

    
 50%|███████████████████████████████████████████████████████                                                       | 218M/436M [00:11<00:10, 21.8MB/s]

    
 51%|███████████████████████████████████████████████████████▋                                                      | 221M/436M [00:11<00:10, 21.4MB/s]

    
 51%|████████████████████████████████████████████████████████▎                                                     | 223M/436M [00:11<00:10, 20.7MB/s]

    
 52%|████████████████████████████████████████████████████████▉                                                     | 226M/436M [00:11<00:10, 20.9MB/s]

    
 52%|█████████████████████████████████████████████████████████▋                                                    | 229M/436M [00:11<00:09, 21.2MB/s]

    
 53%|██████████████████████████████████████████████████████████▎                                                   | 231M/436M [00:11<00:09, 21.0MB/s]

    
 54%|██████████████████████████████████████████████████████████▉                                                   | 234M/436M [00:11<00:09, 20.6MB/s]

    
 54%|███████████████████████████████████████████████████████████▌                                                  | 236M/436M [00:12<00:09, 20.1MB/s]

    
 55%|████████████████████████████████████████████████████████████                                                  | 238M/436M [00:12<00:09, 19.8MB/s]

    
 55%|████████████████████████████████████████████████████████████▌                                                 | 240M/436M [00:12<00:10, 19.6MB/s]

    
 56%|█████████████████████████████████████████████████████████████                                                 | 242M/436M [00:12<00:09, 19.4MB/s]

    
 56%|█████████████████████████████████████████████████████████████▋                                                | 244M/436M [00:12<00:09, 19.2MB/s]

    
 57%|██████████████████████████████████████████████████████████████▏                                               | 246M/436M [00:12<00:09, 19.4MB/s]

    
 57%|██████████████████████████████████████████████████████████████▋                                               | 249M/436M [00:12<00:09, 19.5MB/s]

    
 57%|███████████████████████████████████████████████████████████████▏                                              | 251M/436M [00:12<00:09, 19.4MB/s]

    
 58%|███████████████████████████████████████████████████████████████▋                                              | 253M/436M [00:12<00:09, 18.5MB/s]

    
 58%|████████████████████████████████████████████████████████████████▎                                             | 255M/436M [00:13<00:10, 18.1MB/s]

    
 59%|████████████████████████████████████████████████████████████████▊                                             | 257M/436M [00:13<00:09, 18.4MB/s]

    
 60%|█████████████████████████████████████████████████████████████████▍                                            | 260M/436M [00:13<00:09, 19.4MB/s]

    
 60%|██████████████████████████████████████████████████████████████████                                            | 262M/436M [00:13<00:08, 20.1MB/s]

    
 61%|██████████████████████████████████████████████████████████████████▊                                           | 265M/436M [00:13<00:08, 20.6MB/s]

    
 61%|███████████████████████████████████████████████████████████████████▍                                          | 267M/436M [00:13<00:08, 20.5MB/s]

    
 62%|████████████████████████████████████████████████████████████████████                                          | 270M/436M [00:13<00:07, 20.9MB/s]

    
 63%|████████████████████████████████████████████████████████████████████▊                                         | 273M/436M [00:13<00:07, 21.1MB/s]

    
 63%|█████████████████████████████████████████████████████████████████████▍                                        | 275M/436M [00:13<00:07, 21.4MB/s]

    
 64%|██████████████████████████████████████████████████████████████████████                                        | 278M/436M [00:14<00:07, 20.6MB/s]

    
 64%|██████████████████████████████████████████████████████████████████████▌                                       | 280M/436M [00:14<00:07, 20.4MB/s]

    
 65%|███████████████████████████████████████████████████████████████████████▏                                      | 282M/436M [00:14<00:08, 18.9MB/s]

    
 65%|███████████████████████████████████████████████████████████████████████▋                                      | 284M/436M [00:14<00:08, 18.7MB/s]

    
 66%|████████████████████████████████████████████████████████████████████████▏                                     | 286M/436M [00:14<00:07, 18.7MB/s]

    
 66%|████████████████████████████████████████████████████████████████████████▋                                     | 288M/436M [00:14<00:08, 18.0MB/s]

    
 67%|█████████████████████████████████████████████████████████████████████████▍                                    | 291M/436M [00:14<00:07, 18.8MB/s]

    
 67%|█████████████████████████████████████████████████████████████████████████▉                                    | 293M/436M [00:14<00:07, 18.6MB/s]

    
 68%|██████████████████████████████████████████████████████████████████████████▍                                   | 295M/436M [00:15<00:07, 19.2MB/s]

    
 68%|██████████████████████████████████████████████████████████████████████████▉                                   | 297M/436M [00:15<00:07, 19.0MB/s]

    
 69%|███████████████████████████████████████████████████████████████████████████▌                                  | 299M/436M [00:15<00:07, 18.7MB/s]

    
 69%|████████████████████████████████████████████████████████████████████████████                                  | 301M/436M [00:15<00:09, 14.1MB/s]

    
 70%|████████████████████████████████████████████████████████████████████████████▋                                 | 304M/436M [00:15<00:08, 16.0MB/s]

    
 70%|█████████████████████████████████████████████████████████████████████████████▎                                | 307M/436M [00:15<00:07, 17.5MB/s]

    
 71%|██████████████████████████████████████████████████████████████████████████████                                | 309M/436M [00:15<00:06, 18.7MB/s]

    
 72%|██████████████████████████████████████████████████████████████████████████████▋                               | 312M/436M [00:16<00:06, 19.6MB/s]

    
 72%|███████████████████████████████████████████████████████████████████████████████▎                              | 315M/436M [00:16<00:06, 20.2MB/s]

    
 73%|████████████████████████████████████████████████████████████████████████████████                              | 317M/436M [00:16<00:05, 20.3MB/s]

    
 73%|████████████████████████████████████████████████████████████████████████████████▌                             | 319M/436M [00:16<00:05, 19.9MB/s]

    
 74%|█████████████████████████████████████████████████████████████████████████████████                             | 321M/436M [00:16<00:05, 19.7MB/s]

    
 74%|█████████████████████████████████████████████████████████████████████████████████▌                            | 323M/436M [00:16<00:05, 19.5MB/s]

    
 75%|██████████████████████████████████████████████████████████████████████████████████                            | 326M/436M [00:16<00:05, 19.1MB/s]

    
 75%|██████████████████████████████████████████████████████████████████████████████████▋                           | 328M/436M [00:16<00:05, 19.1MB/s]

    
 76%|███████████████████████████████████████████████████████████████████████████████████▏                          | 330M/436M [00:16<00:05, 19.0MB/s]

    
 76%|███████████████████████████████████████████████████████████████████████████████████▊                          | 332M/436M [00:17<00:05, 19.8MB/s]

    
 77%|████████████████████████████████████████████████████████████████████████████████████▌                         | 335M/436M [00:17<00:04, 20.5MB/s]

    
 77%|█████████████████████████████████████████████████████████████████████████████████████                         | 337M/436M [00:17<00:04, 20.1MB/s]

    
 78%|█████████████████████████████████████████████████████████████████████████████████████▋                        | 340M/436M [00:17<00:04, 20.5MB/s]

    
 79%|██████████████████████████████████████████████████████████████████████████████████████▎                       | 342M/436M [00:17<00:04, 20.8MB/s]

    
 79%|███████████████████████████████████████████████████████████████████████████████████████                       | 345M/436M [00:17<00:04, 21.2MB/s]

    
 80%|███████████████████████████████████████████████████████████████████████████████████████▋                      | 348M/436M [00:17<00:04, 21.4MB/s]

    
 80%|████████████████████████████████████████████████████████████████████████████████████████▎                     | 350M/436M [00:17<00:04, 21.3MB/s]

    
 81%|█████████████████████████████████████████████████████████████████████████████████████████                     | 353M/436M [00:17<00:03, 21.6MB/s]

    
 82%|█████████████████████████████████████████████████████████████████████████████████████████▋                    | 355M/436M [00:18<00:03, 21.2MB/s]

    
 82%|██████████████████████████████████████████████████████████████████████████████████████████▎                   | 358M/436M [00:18<00:03, 21.9MB/s]

    
 83%|██████████████████████████████████████████████████████████████████████████████████████████▉                   | 361M/436M [00:18<00:03, 21.8MB/s]

    
 83%|███████████████████████████████████████████████████████████████████████████████████████████▋                  | 363M/436M [00:18<00:03, 21.6MB/s]

    
 84%|████████████████████████████████████████████████████████████████████████████████████████████▎                 | 366M/436M [00:18<00:03, 21.0MB/s]

    
 85%|████████████████████████████████████████████████████████████████████████████████████████████▉                 | 369M/436M [00:18<00:03, 19.9MB/s]

    
 85%|█████████████████████████████████████████████████████████████████████████████████████████████▍                | 371M/436M [00:18<00:03, 19.4MB/s]

    
 85%|██████████████████████████████████████████████████████████████████████████████████████████████                | 373M/436M [00:18<00:03, 18.8MB/s]

    
 86%|██████████████████████████████████████████████████████████████████████████████████████████████▌               | 375M/436M [00:19<00:03, 18.9MB/s]

    
 86%|███████████████████████████████████████████████████████████████████████████████████████████████               | 377M/436M [00:19<00:03, 18.6MB/s]

    
 87%|███████████████████████████████████████████████████████████████████████████████████████████████▌              | 379M/436M [00:19<00:03, 18.3MB/s]

    
 87%|████████████████████████████████████████████████████████████████████████████████████████████████▏             | 381M/436M [00:19<00:02, 18.6MB/s]

    
 88%|████████████████████████████████████████████████████████████████████████████████████████████████▋             | 383M/436M [00:19<00:02, 18.8MB/s]

    
 88%|█████████████████████████████████████████████████████████████████████████████████████████████████▏            | 385M/436M [00:19<00:02, 18.9MB/s]

    
 89%|█████████████████████████████████████████████████████████████████████████████████████████████████▋            | 387M/436M [00:19<00:02, 19.1MB/s]

    
 89%|██████████████████████████████████████████████████████████████████████████████████████████████████▍           | 390M/436M [00:19<00:02, 19.8MB/s]

    
 90%|███████████████████████████████████████████████████████████████████████████████████████████████████           | 393M/436M [00:20<00:02, 20.5MB/s]

    
 91%|███████████████████████████████████████████████████████████████████████████████████████████████████▋          | 395M/436M [00:20<00:01, 20.9MB/s]

    
 91%|████████████████████████████████████████████████████████████████████████████████████████████████████▏         | 397M/436M [00:20<00:01, 20.2MB/s]

    
 92%|████████████████████████████████████████████████████████████████████████████████████████████████████▉         | 400M/436M [00:20<00:01, 20.7MB/s]

    
 92%|█████████████████████████████████████████████████████████████████████████████████████████████████████▍        | 402M/436M [00:20<00:01, 19.9MB/s]

    
 93%|█████████████████████████████████████████████████████████████████████████████████████████████████████▉        | 404M/436M [00:20<00:02, 15.0MB/s]

    
 93%|██████████████████████████████████████████████████████████████████████████████████████████████████████▍       | 406M/436M [00:20<00:01, 15.7MB/s]

    
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████▏      | 409M/436M [00:20<00:01, 17.3MB/s]

    
 94%|███████████████████████████████████████████████████████████████████████████████████████████████████████▊      | 412M/436M [00:21<00:01, 18.3MB/s]

    
 95%|████████████████████████████████████████████████████████████████████████████████████████████████████████▍     | 414M/436M [00:21<00:01, 18.6MB/s]

    
 96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▏    | 417M/436M [00:21<00:00, 19.7MB/s]

    
 96%|█████████████████████████████████████████████████████████████████████████████████████████████████████████▊    | 419M/436M [00:21<00:00, 20.3MB/s]

    
 97%|██████████████████████████████████████████████████████████████████████████████████████████████████████████▍   | 422M/436M [00:21<00:00, 20.7MB/s]

    
 97%|███████████████████████████████████████████████████████████████████████████████████████████████████████████   | 425M/436M [00:21<00:00, 21.0MB/s]

    
 98%|███████████████████████████████████████████████████████████████████████████████████████████████████████████▊  | 427M/436M [00:21<00:00, 21.3MB/s]

    
 99%|████████████████████████████████████████████████████████████████████████████████████████████████████████████▍ | 430M/436M [00:21<00:00, 20.5MB/s]

    
 99%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████ | 433M/436M [00:22<00:00, 20.8MB/s]

    
100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████▊| 435M/436M [00:22<00:00, 21.1MB/s]

    
100%|██████████████████████████████████████████████████████████████████████████████████████████████████████████████| 436M/436M [00:22<00:00, 19.6MB/s]

    


### Make Predictions


```python
for (image, mask), _ in zip(val_dataset, range(1)):
    pred_mask = basnet_model.predict(image)
    display([image[0], mask[0], normalize_output(pred_mask[0][0])])

1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 32s/step

```  ```

1/1 ━━━━━━━━━━━━━━━━━━━━ 32s 32s/step

---

Relevant Chapters from Deep Learning with Python

• Chapter 11: Image segmentation