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。