[论文阅读笔记] U-Net

最新推荐文章于 2025-09-17 11:16:15 发布
原创 最新推荐文章于 2025-09-17 11:16:15 发布 · 778 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文是关于U-Net的论文阅读笔记，详细介绍了U-Net网络结构，其基于FPN并加入同级连接，适用于处理细胞粘连等挑战。训练策略包括采用大输入小批量、高动量优化及像素级softmax与交叉熵损失函数。同时，提出了独特的数据增强方法——平滑变形。U-Net在医学图像领域展现出优异性能，且需要少量标注数据和训练时间。

2018-8-7, jingwenlai

 

# 何为UNet?

unet-arch

 

 

基于FPN，修改并扩展，加入了同级连接形成UNet，含有更高层语义信息，可有更大的感受野及更好的精度。

此外，通过overlap-tile strategy使得可以无缝切割任意大的图像。

overlap-tile-strategy

针对细胞粘连的挑战，引入weighted loss,对边界赋予更大的权重。

boundary-weight-loss

## 网络结构

如上图1所示，输入为偶数，需要留意的是the concatenation with the correspondingly cropped feature map from teh contracting path. The cropping is necessary due to the loss of border pixels in every convolution.

## 训练

1. favor large input tiles over a la

最低0.47元/天 解锁文章
论文笔记 U-Net: Convolutional Networks for Biomedical Image Segmentation
qq_42681787的博客
04-10 654
摘要：人们普遍认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于大量使用数据增强来更有效地使用可用的注释样本。该体系结构包括用于捕获上下文的收缩路径和用于实现精确定位的对称扩展路径。我们表明，这样的网络可以从很少的图像进行端到端训练，并且在 ISBI 挑战中优于先前的最佳方法（滑动窗口卷积网络）,用于分割电子显微堆栈中的神经元结构。使用在透射光显微镜图像（相差和 DIC）上训练的相同网络，我们在这些类别中以大幅优势赢得了 2015 年 ISBI 细胞跟踪
U-net医学分割网络——学习笔记
qq_55009448的博客
10-27 916
扩展路径中的每一步都包括特征映射的上采样，然后进行2x2卷积(“上卷积”)，将特征通道的数量减半，与收缩路径中相应裁剪的特征映射进行连接，以及两个3x3卷积，每个卷积后面都有一个ReLU。由于在每次卷积中边界像素的损失，裁剪是必要的。总体来说，U-Net 适合需要高精度和上下文信息丰富的分割任务，尤其在数据有限的医学图像领域有很大优势，但在复杂环境和边界处理上仍有改进空间。：U-Net 的对称结构结合了上下文信息和高分辨率特征，能够精确定位每个像素的类别，适用于需要高精度的分割任务。
语义分割知识点：UNet、FCN、SegNet、PSPNet、DeepLab系列
FriendshipTang的博客
04-21 3799
语义分割、UNet、FCN、SegNet、PSPNet、DeepLab
论文阅读笔记
Cherie496的博客
07-08 2266
论文：PUTN: A Plane-fifitting based Uneven Terrain Navigation FrameworkPUTN: A Plane-fifitting based Uneven Terrain Navigation FrameworkPUTN: A Plane-fifitting based Uneven Terrain Navigation Framework 阅读笔记
论文阅读：U-Net: Convolutional Networks for Biomedical Image Segmentation
最新发布
2301_80005802的博客
09-17 500
本文主要介绍了U-net网络架构及其关键创新点。U-net最初用于生物图像分割，其核心创新在于解码器中引入跳跃连接（Skip Connections），将编码器特征图与对应解码器特征图相连接，提升了分割精度和细节保留能力。网络结构由收缩路径（下采样）和扩张路径（上采样）组成，共23个卷积层。损失函数采用带权重的像素级softmax交叉熵，特别针对细胞边缘重合区域增加权重以提升分割效果。该架构的设计可根据具体应用场景调整参数。
论文阅读笔记1
weixin_36919892的博客
11-29 524
论文阅读笔记文献名称：A Spatial-Temporal QoS Prediction Approach for Time-aware Web service Recommendation. 作者信息：XinYu Wang, Jiangke Zhu, Zibin Zheng, 分别是浙江大学和中山大学，Zibin Zheng的主要研究方向就是web service recommendation
【论文阅读笔记】——《Graph Attention Networks》
梨梨
09-09 2792
《Graph Attention Networks》——图注意力网络GAT阅读笔记 ——本文发表在2018ICLR上，将注意力机制运用到GCN上，使得图神经网络更加完善，达到了state-of-the-art的效果。 图卷积神经网络在网络节点划分任务上取得了很好的效果，但是对节点的特征表示却局限于图的结构，因为具体的操作都是基于图的拉普拉斯矩阵上进行的，因此对于一个新的图结构我们总是要去训练一个新...
论文阅读笔记（四）
11-21 688
网络上的p2p流量控制，确保客户方与服务提供方资源的有效，公平利用。对于传统的TCP应用，ISP可以控制TCP的网络反馈包来控制流量，但对于P2P应用的控制则麻烦的多。作者提出需要ISP和P2P应用携手合作来解决流量控制问题，通过他们提出的P4P框架建立一个信息门户来为两者提高当前网络的信息，比如拓扑结构，拥塞率等。可以将这个门户作为第三方提供，ISP和P2P应用都从它获取网络信息，实
论文阅读笔记（二）U-Net
ditangbi1614的博客
04-09 579
U-Net: Convolutional Networks for Biomedical Image Segmentation U-Net：用于生物医学图像分割的卷积网络 摘要 　　要想成功地训练一个深度网络需要大量的数以千计的有标记的样本，这已经成为了业内共识。在本文中，我们提出了一种网络和相应的训练策略，它依赖于强大的数据扩充技术，以更有效地使用可用的有标记的样本。该体系结构...
论文阅读笔记 | U-Net: Convolutional Networks for Biomedical Image Segmentation
maxuanzi的博客
05-27 1101
图像分割任务：目标是将图像划分为多个区域或对象，使得每个区域内的像素具有相似的属性或特征（如颜色、纹理、亮度等），而不同区域之间则具有显著的差异。图像分割旨在将图像分解为多个有意义的部分，以便进行后续的分析和处理，比如目标识别、语义理解、图像编辑等。医学分析：在医学图像中，分割出病变组织或细胞，用于诊断和治疗规划。目标识别：将图像中的目标从背景中分离出来，便于后续的分类或识别。例如在自动驾驶技术中图像分割可以识别道路、车辆、行人等，安防监控系统中用于检测和跟踪目标对象，工业检测领域中识别缺陷或异常区域，
论文阅读笔记-GT U-Net: A U-Net Like Group TransformerNetwork for Tooth Root Segmentation
XZH16047129的博客
12-27 3160
目录 摘要 1.引言 摘要 为了实现对根管治疗的准确评估，一个基本的步骤是对口腔x线图像进行牙根分割，因为牙根边界的位置是根管治疗评估中重要的解剖信息。然而，模糊边界使得牙根的分割非常具有挑战性。在本文中，我们提出了一种新的端到端U-Net like Group Transformer Network(GTU-Net)用于牙根的分割。该网络保留了U-Net的基本结构，但每个编码器和解码器都被一个组Transformer所取代，利用分组结构和bottleneck结构，大大降低了传统transform.
U-Net: Convolutional Networks for Biomedical Image Segmentation--论文笔记
dezwb的博客
06-04 1310
人们普遍认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于数据增强的强大使用，以更有效地使用可用的注释样本。该体系结构包括捕获上下文的收缩路径和支持精确定位的对称扩展路径。我们表明，这样的网络可以从很少的图像中进行端到端训练，并且在ISBI挑战中优于先前的最佳方法(滑动窗口卷积网络)，以分割电子显微镜堆栈中的神经元结构。使用在透射光显微镜图像(相位对比和DIC)上训练的相同网络，我们在这些类别中以很大的优势赢得了2015年ISBI细胞跟踪挑战赛。
U-Net论文笔记
Keep&Deep Thinking
07-18 484
本文是关于U-Net论文《U-Net: Convolutional Networks for Biomedical Image Segmentation》的一些学习笔记，有相当一部分是论文的翻译，也有一些自己的理解。尽管网上同质文章已经不少了，但是有些东西还是要自己亲自总结一下落实到笔头上，印象才能更深刻吧，高手看了还请勿见笑。我也会随着学习的深入长期更新此文，加入一些新的东西，争取写的更加详细。...
U-Net++代码
08-24
- 引用[3]则是一篇U-net++代码解读的学习笔记，提到了一些实现细节和遇到的问题。 由于引用[1]明确提到了包含U-Net++的实现，并且提供了源码、说明文件、批处理脚本、训练图像集和模型配置文件，这应该是最直接相关...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值