标签：segmentation work ++ image 论文 well Unet Does
[1]Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham.
[2]Zhou, Z., Siddiquee, M. M. R., Tajbakhsh, N., & Liang, J. (2018). Unet++: A nested u-net architecture for medical image segmentation. In Deep learning in medical image analysis and multimodal learning for clinical decision support (pp. 3-11). Springer, Cham.
[3]Huang, H., Lin, L., Tong, R., Hu, H., Zhang, Q., Iwamoto, Y., … & Wu, J. (2020, May). Unet 3+: A full-scale connected unet for medical image segmentation. In ICASSP 2020-2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1055-1059). IEEE.
文章目录
1. 分割中的基本问题
分割任务的挑战：
-
看得深 vs 看得细：
要求网络同时具备抽象与描绘细节的能力
看得深能准确定位识别物体
看得细要求能准确区分边缘细节 -
大 vs 小
要求网络识别多尺度物体的能力
大物体不至于过分割
小物体不至于欠分割
2.1 Unet
网络结构设计重点：
- 上采样(encoder)
- 下采样(decoder)
- 跳层连接(Skip connection)
Q1: Is it the feature extractor important？
Q2: Is it the down-sampling important？
Q3: Is it the up-sampling important？
Q4: Is it the skip connection important？
2.2 Unet++
Q1: How many layers is suitable for a CNN？
- 浅层特征：简单特征，如边界，颜色
- 深层特征：抽象特征，如类别
浅有浅的侧重，深有深的优势。
Q2: How to integrate diverse ‘U-net’s with different layers?
存在缺陷：反向求导中间部分未经过，训练不了
Solution：每个尺度都计算损失函数，即deep supervision
Q3: Does the nested and dense skip connection work well? (Ablation study)
Q4: Does the deep supervision work well?(Ablation study)
Q5: Does the deep supervision work well?(剪枝)
2.3 Unet3+
Q1: How to render the Unet-like network utilize multi-scale features?
Ablation study:
Q2: Does the use of multi-scales features work well?
Q3: Does the use of deep supervision work well?
Q4: How to reduce the over-segmentation?
Ablation study:
Q5: Does the CGM work well？
Q6: Why Unet3+ is more efficient with fewer parameters?
3. 小结
标签：segmentation,work,++,image,论文,well,Unet,Does 来源： https://blog.csdn.net/qq_43019433/article/details/118608127
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。