UNet是一种基于深度学习的图像分割架构,自2015年提出以来经历了多次改进和扩展,逐渐成为医学图像分割和其他精细分割任务的标杆。以下是UNet算法的主要发展历程和关键变体:
1. 原始UNet(2015)
-
论文: U-Net: Convolutional Networks for Biomedical Image Segmentation (Ronneberger et al., 2015)
-
核心思想:
-
编码器-解码器结构:对称的U形网络,左侧(编码器)通过下采样提取特征,右侧(解码器)通过上采样恢复空间分辨率。
-
跳跃连接(Skip Connections):将编码器的高分辨率特征与解码器的上采样特征拼接,保留局部细节。
-
端到端训练:适用于小样本数据(如医学图像)。
-
2. 主要改进方向与变体
(1) 结构优化
-
ResUNet
-
引入残差连接(ResNet思想),缓解深层网络梯度消失问题。
-
-
DenseUNet
-
使用密集连接(DenseNet思想),增强特征复用。
-
-
UNet++ (2018)
-
改进点:嵌
-

最低0.47元/天 解锁文章
1万+

被折叠的 条评论
为什么被折叠?



