UNet学习笔记
UNet学习笔记
FCN的不足
可以发现,效果较好的FCN-8s与Ground Truth之间的差距还是比较大的,细节部分的分割不太好。
UNet
Unet是基于FCN的结构进行了改进。Unet论文是在医学图像分割(Biomedical Image Segmentaion)背景下完成的。
之所以叫UNet,主要是因为其U形结构。如图所示:
图片注释:
每一个蓝色的box相当于一个多通道的feature map,
box顶部的数字代表通道数量,
box左下角数字代表图像x-y-size,
白色box是feature map的复制。
Unet特点
1. 可以在少量训练数据的情况下得到更加精确的segmentation。
2. 上采样部分包含很多特征通道,可以将特征传播到更高分辨率层。
3. 网络中不含有任何全连接层,只使用了每个卷积的有效部分。
4. 输入图像可以是任意大小,使用了overlap-tile策略
overlap-tile
对于位于图像边缘的部分,通过镜像的方式放大输入图像,以确保输出图像大小符合要求。
数据扩增方式:随机变形
对同一类中无间隔的物体(touching objects)的分离:权重衰减
网络结构
注意到,这里的操作是Concatenate的操作,不是数值相加。
这里的图像大小要和decoder部分匹配,要做Crop裁剪操作。