赞
踩
发表年份:2018
论文地址:https://arxiv.org/abs/1807.10165
代码地址:https://github.com/MrGiovanni/Nested-UNet
提出了UNet++:一种更有效的医学图像分割结构。它是一种深度监督的编码-解码器网络,编码器和解码器通过一系列嵌套、稠密的跳跃路径连接。
重新设计的跳跃路径旨在减小编码器和解码器特征图之间的语义鸿沟。我们认为当编码器和解码器特征图之间的语义鸿沟更小时,优化器就会处理一个更简单的学习任务。
我们在不同的医学图像分割任务上评估UNet++,并与U-Net、wide U-Net对照。实验证明了带有深度监督的UNet++模型比U-Net、wide U-Net的平均IoU高出3.9和3.4。
目前图像分割性能最好的模型都是编码器-解码器结构的变形,像U-Net和FCN。这些网络有一个关键的共同点:跳跃连接,它可以将解码器的深层、语义、粗粒度特征图和编码器的浅层、低水平、细粒度特征图结合。跳跃连接在恢复目标物体细粒度细节、生成分割掩膜方面被证明是有效的。它也是instance-level分割模型成功的基础
但是分割医学图像中的病变和异常需要比自然图像中更高的准确率。为了解决需求,我们提出了UNet++,一种基于嵌套和稠密跳跃连接的结构。
这种结构背后的基本假说是,当编码器网络的高分辨率特征图与解码器网络的语义丰富的特征图融合之前逐渐丰富时,该模型可以更有效的捕获前景对象的细粒度细节。
对比于使用普通跳跃连接的U-Net,U-Net直接将高分辨率的特征图从编码器快进传入解码器,导致了语义不相似的特征图融合。
FCN、U-Net、H-denseunet
GridNet、Mask-RCNN
UNet++包括编码器和解码器,它们通过一系列嵌套稠密的卷积块连接。UNet++的主要想法是在融合之前减小编码器和解码器特征图之间的语义鸿沟。
区分UNet++和U-Net(黑色部分)的是重新设计的跳跃路径(绿色和蓝色部分)和深度监督(红色部分)的使用
x i , j x^{i,j} xi,j 代表节点 X i , j X^{i,j}
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。