【论文】 u-net_paddleseg中u-net网络的损失函数

u-net

u-net convolutional networks for biomedcal image segmentation

一、概述

​ u-net 用于语义分割，sementic segmetation ,which is understanding an image at pixel level,即为图片中的每个像素指定类别标记。

二、网络模型

编码，解码结构

1 compacting path

捕获语义信息，使用经典的卷积池化，每一次池化时，特征通道倍数加倍。

2 expansive path

精确定位 ，上采样时，特征通道数目减半，本文中在上采样时添加了许多特征通道，已将语义信息传播到分辨率更高的层。

3 最后一个1*1conv

用于匹配64个特征向量到想要分的类数

4 cropping

很有必要，无Padding卷积时，会有许多边缘信息会损失，边缘信息通过镜像原始图片得到

5 skip connection

将收缩路径中的图片与上采样的图片拼接起来，我的理解是将不同维度的特征融合起来，收缩路径中的图片有更多的语义信息，扩张路径中的信息更利于定位

三、训练策略

1 上采样代替pooling

以提高输出图片的分辨率，为了更好的定位，将收缩路径得到的高分辨率特征与上采样得到的输出拼接在一起。

2 预测一个像素类别的方法

通过预测这个像素边缘的 patch 对该像素经行分类

3 对连接在一起的相同类进行分割

we proposed the use of a weighted loss ,when the separatinig backgroud labels between touching cells obtain a large weight in the loss funtion.

在损失函数中，背景标签类获得更大的权重。

四、缺点

1 慢

对每个patch分开跑

2 冗余 redunctory

patch 有很多重叠的部分

3 精确定位与语义信息不可兼得

选择大的patch ，损失位置精度

选择小的patch，语义信息不够。

五 my confusion

1 下采样时，为什么分辨率变大

分辨率 即 像素的密度，单位面积内 像素点的多少

下采样过程中，max pooling 时将四个像素用最大的那一个代替，我的理解是分辨率变小。。。

2 损失函数中 增大背景标签权重

在分类细胞时，即连接在一起的相同类时，增大损失函数中 背景分割的权重，背景分割清楚了，更容易看见细胞的边界。

六、参考

1 对图像分割的理解

​ Ｍask = Function(I)

1. 什么是图像分割问题呢？ 简单的来讲就是给一张图像，检测是用框出框出物体，而图像分割分出一个物体的准确轮廓。也这样考虑，给出一张图像 Ｉ，这个问题就是求一个函数，从I映射到Mask。至于怎么求这个函数有多种方法。我们可以看到这个图，左边是给出图像，可以看到人和摩托车，右边是分割结果。
   

​ 为了让CNN提取出来的尺度能到原图大小，FCN网络利用上采样和反卷积到原图像大小。然后做像素级的分类。可以看图二，输入原图，经过VGG16网络，得到特征map,然后将特征map上采样回去。再将预测结果和ground truth每个像素一一对应分类，做像素级别分类。也就是说将分割问题变成分类问题

9ibG9nLmNzZG4ubmV0L0Zvcm1sc2w=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70)

这里的融合是拼接在一起，不是对应元素相加 ，就是图片变厚了