【深度学习论文】:U-Net
来源:互联网 发布:青岛seo顾问公司 编辑:程序博客网 时间:2024/06/06 01:25
U-Net
在深度学习应用到计算机视觉领域之前,人们使用 TextonForest 和 随机森林分类器进行语义分割。卷积神经网络(CNN)不仅对图像识别有所帮助,也对语义分割领域的发展起到巨大的促进作用。
语义分割任务最初流行的深度学习方法是图像块分类(patch classification),即利用像素周围的图像块对每一个像素进行独立的分类。使用图像块分类的主要原因是分类网络通常是全连接层(full connected layer),且要求固定尺寸的图像。
2014 年,加州大学伯克利分校的 Long 等人提出全卷积网络(FCN),这使得卷积神经网络无需全连接层即可进行密集的像素预测,CNN 从而得到普及。使用这种方法可生成任意大小的图像分割图,且该方法比图像块分类法要快上许多。之后,语义分割领域几乎所有先进方法都采用了该模型。
除了全连接层,使用卷积神经网络进行语义分割存在的另一个大问题是池化层。池化层不仅扩大感受野、聚合语境从而造成了位置信息的丢失。但是,语义分割要求类别图完全贴合,因此需要保留位置信息。本文将介绍两种不同结构来解决该问题。
本文介绍一种编码器-解码器结构。编码器逐渐减少池化层的空间维度,解码器逐步修复物体的细节和空间维度。编码器和解码器之间通常存在快捷连接,因此能帮助解码器更好地修复目标的细节。U-Net 是这种方法中最常用的结构。
U-Net网络架构设计
卷积层的数量大约在20个左右,4次下采样,4次上采样。输入图像大于输出图像,因为在本论文中对输入图像做了镜像操作。
如上图所示,对输入图像的四周做了镜像操作,其输入图像的大小为572*572,整个网络越有20个卷积层,输出图像的大小小于输入图像的大小。
Keras实现
3个实验
在生物医学图像分割当中的应用结果
在细胞分割当中的应用
U-Net拓展应用
数据增强
在分类问题中做数据增强时不需要考虑GT,因为增强之后的GT依然是个Label不变,但是在分割问题中的GT却是个图片或者是对应的feature map,在做数据增强时候其对应的GT也要跟着变化。论文中只介绍利用扭曲的方法进行数据增强,没有给出具体的方法,利用移动最小二乘法做了一些实验实现数据增强,效果较好。
视网膜分割
卫星图像分割
- 【深度学习论文】:U-Net
- 【深度学习论文】:U-Net
- 【深度学习论文】SPP-Net
- 深度学习论文网址
- 深度学习论文
- 深度学习论文整理
- 深度学习论文笔记
- 【深度学习论文】FCN
- 深度学习论文:RCNN
- 深度学习论文:RCNN
- 深度学习相关论文
- 【深度学习论文】ResNet
- 深度学习论文综述
- 深度学习论文
- 【深度学习论文】Dispnet
- 深度学习论文roadmap
- 深度学习相关论文
- 深度学习---之U-net应用于生物医学的图像分割
- java.util.concurrent包下的若干个阻塞队列
- CentOS6.5 64位GCC从4.4.2升级到4.8.5实录
- myeclipse的svn突然失效不能用的解决办法
- RCNN论文学习讲解
- matlab在DSP中的应用(六)---离散傅里叶变换的性质
- 【深度学习论文】:U-Net
- Maven详解之仓库------本地仓库、远程仓库
- 使用HttpURLConnection和Servlet传输json
- 系统设计面试题分析
- android 电池(一):锂电池基本原理篇
- android app内存优化
- 虚拟货币开发专题(如何通过运算挖矿)
- 两次left join 查询
- SAP查看某物料的 库位 和 仓位