标签:采样 ++ 语义 28 UNet 解码器 衰减器 Net FCN
2021/9/28 学习汇报总结
U-Net
-
解决什么问题?
- 医学图像的分割
- 对小数据集十分友好
-
U-Net使用的方法?
-
整体结构就是先编码(下采样), 再解码(上采样),回归到跟原始图像一样大小的像素点的分类。
-
继承FCN的思想,继续进行改进。但是相对于FCN,有几个改变的地方,U-Net是完全对称的,且对解码器(应该自Hinton提出编码器、解码器的概念来,即将图像->高语义feature map的过程看成编码器,高语义->像素级别的分类score map的过程看作解码器)进行了加卷积加深处理,FCN只是单纯的进行了上采样。
-
Skip connection:两者都用了这样的结构,虽然在现在看来这样的做法比较常见,但是对于当时,这样的结构所带来的明显好处是有目共睹的,因为可以联合高层语义和低层的细粒度表层信息,就很好的符合了分割对这两方面信息的需求。
-
联合:在FCN中,Skip connection的联合是通过对应像素的求和,而U-Net则是对其的channel的concat过程。
-
效果
-
CELoss + dice_loss,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。
-
Boundary Loss + Dice Loss,权重衰减法,alpha from 1 => 0.01,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。
U-Net++
效果
标签:采样,++,语义,28,UNet,解码器,衰减器,Net,FCN 来源: https://blog.csdn.net/jun_zhong866810/article/details/122618715
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。