【论文笔记】UNet++ 持续更新_unet++的改进

最新的医学图像分割模型是U-Net和全卷积网络（FCN）但这些模型有两个局限性：
（1）最佳深度是先验未知的，需要广泛的架构搜索或不同深度模型的低效率集成；
（2）它们的跳过连接施加了不必要的限制性融合方案，仅在编码器和解码器子网的相同比例的特征图上强制聚合。

为了克服这两个限制，我们提出了一种用于语义和实例分割的新型神经体系结构UNet ++，方法是：
（1）通过有效地组合不同深度的U-Net缓解未知的网络深度，该网络部分共享一个编码器并进行共同学习同时使用深度监督；
（2）重新设计跳过连接以在解码器子网络处聚合具有不同语义尺度的特征，从而导致高度灵活的特征融合方案；
（3）设计一种修剪方案以加快UNet ++的推理速度。

我们使用六个不同的医学图像分割数据集对UNet ++进行了评估，涵盖了多种成像方式，例如计算机断层扫描（CT），磁共振成像（MRI）和电子显微镜（EM），并证明了
（1）UNet ++始终优于基线模型用于跨不同数据集和骨干架构进行语义分割的任务；
（2）UNet ++增强了各种尺寸对象的分割质量，这是对固定深度U-Net的改进；
（3）Mask RCNN ++（具有UNet ++设计的Mask R-CNN）在执行实例分割任务方面优于原始Mask R-CNN；
（4）修剪过的UNet++模型实现了显着的加速，同时仅显示了适度的性能下降。我们的实施和预训练模型可在

总而言之，我们做出了以下五点贡献：

1. 我们在UNet ++中引入了一个内置的深度可变的U-Net集合，从而为不同大小的对象提供了改进的分割性能，这是对固定深度U-Net的改进

2. 我们重新设计了UNet ++中的跳过连接，从而在解码器中实现了灵活的功能融合，这是对U-Net中仅需要融合相同比例特征图的限制性跳过连接的一种改进。

3. 我们设计了一种方案来修剪经过训练的UNet ++，在保持其性能的同时加快其推理速度。

4. 我们发现，同时培训嵌入在UNet ++体系结构中的多深度U-Net可以刺激组成U-Net之间的协作学习，与单独培训具有相同体系结构的隔离U-Net相比，可以带来更好的性能。

5. 我们展示了UNet ++对多个主干编码器的可扩展性，以及它对包括CT，MRI和电子显微镜在内的各种医学成像模式的适用性

与传统的U-Net架构相比，UNet ++的显着改进归因于重新设计的跳过连接和扩展的解码器所提供的优势，这些优势共同使水平和垂直范围内的网络图像特征逐渐聚合。
UNet ++是如何从原始U-Net演变而来

对于细胞和脑肿瘤分割，浅层网络（U-Net L3）胜过深层的U-Net。
因为1）更深的U-Net不一定总是更好，2）最佳架构深度取决于手头数据集的难度和大小

我们从U-Net （e）删除了原始的跳过连接，然后将集合中的每两个相邻节点连接起来，形成了一个新的架构，我们称之为UNet + （f）
尽管在解码器节点上使用聚合的特征图比仅从编码器获得相同比例的特征图的约束要少得多，但仍有改进的空间。我们进一步建议在UNet +中使用密集连接，从而得出最终的架构建议，我们将其称为UNet ++（g）