【论文阅读笔记】U-Net: Convolutional Networks for Biomedical Image Segmentation

最新推荐文章于 2025-04-04 14:52:37 发布

时光机ﾟ

最新推荐文章于 2025-04-04 14:52:37 发布

阅读量4.2k

点赞数 2

分类专栏：论文读书笔记文章标签： U-Net 卷积神经网络图像分割

本文链接：https://blog.youkuaiyun.com/qq_19784349/article/details/78580022

版权

论文读书笔记专栏收录该内容

80 篇文章

订阅专栏

U-Net是一种用于生物医学图像分割的卷积神经网络，它能在有限的数据集上实现高效训练。该网络采用端到端的方式，直接输入原始图像并输出分割后的图像。U-Net结合了收缩和扩张路径，利用数据增强技术和GPU加速训练过程，适用于医疗图像等小规模数据集。此网络在2015年的ISBI细胞轮廓分割挑战赛中取得了优异的成绩。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

                    
                    摘要 >  大意是说 ，普遍认为深度网络需要大量已标签数据集，这个网络(U-Net)可以依靠数据增强来事先少量数据集训练网络。而且，这个网络训练得很快，运用GPU运行，512*512的图片只需要不用一秒即可。   该网络属于端对端网络，即输入图片，输出分割开的图片。赢得了2015年ISBI竞赛。 
介绍 >  卷积神经网络已经存在很久了，但因为缺少可用的训练数据集而没被大量使用，直到ImageNet数据集（百万张图片）的出现。   传统的卷积网络的目标是分类，即对每个图片给予一个标签。但是对于很多视觉任务，特别是医疗图像方向，目标应该包括定位，以及对每个像素块给予一个标签。而且，医疗图像的训练集都不大。 >  大概也就介绍了一些传统的图像分割算法，如滑动窗口，以及U-Net借鉴的前身FCN之类的，并为比较难的分割的情况（彼此接触的同类物体）提议了一种方法。 
网络架构 ![U-Net](https://img-blog.csdnimg.cn/img_convert/0578a8b35ae1b87e636ba78f5c0aa5d9.png) >  网络架构就如上图，可以描述为由收缩路径（左边）和扩张路径组成。**收缩路径**和传统的卷积网络一样，由卷积核尺寸为$3*3$的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为$2*2$，步距为2的最大池组成。这个最大池化就是下采样的过程，下采样后就将channels变为2倍。**扩张路径**由$2*2$的上卷积，上卷积的output channels为原先的一半，再与对应的特征图（裁剪后）串联起来（得到和原先一样大小的channels），再经过两个尺寸为$3*3$的卷积及经过ReLU作用。**相应的裁剪特征图是必须的，因为在我们卷积的过程中会有边界像素的丢失。**在最后一层通过卷积核大小为$1*1$的卷积作用得到想要的目标种类。在这个网络中，有23个卷积层。 >  为了保证输出分段映射的无缝拼接，需要谨慎的选择输入图片的尺寸，以保证所有的Max Pooling操作应用于有偶数的x-size和偶数的y-size的图层。 
训练 >  该论文是基于Caffe，使用动量为0.99的SGD，损失函数为交叉熵，训练输入图片与它们对应的分割图片（输入图片和最后的图片的尺寸不一样）。该训练模型和传统的训练模型没什么不同，都是注意权重初始化随机，数据增强等。