【深度学习】图像特征提取与通道数问题（基于U型网络）_图像特征提取的通道数‘

【深度学习】图像特征提取与通道数问题（基于U型网络）

1 医学图像特点
2 卷积核与图像特征提取
	2.1 卷积
	2.2 图像处理
	2.3 边缘检测卷积核
	2.4 图像锐化卷积核
	2.5 高斯滤波
3 关于图像三通道和单通道的解释
4 pytorch 修改预训练模型（全连接层、单个卷积层、多个卷积层）
1
2
3
4
5
6
7
8
9

1 医学图像特点

1.图像语义较为简单、结构较为固定。我们做脑的，就用脑CT和脑MRI，做胸片的只用胸片CT，做眼底的只用眼底OCT，都是一个固定成像，而不是全身的。由于本身结构固定和语义信息没有特别丰富，所以高级语义信息和低级特征都显得很重要(UNet的skip connection和U型结构就派上了用场)。举两个例子直观感受下。
2.数据量少。医学影像的数据获取相对难一些，很多比赛只提供不到100例数据。所以我们设计的模型不宜多大，参数过多，很容易导致过拟合。
原始UNet的参数量在28M左右(上采样带转置卷积的UNet参数量在31M左右)，而如果把channel数成倍缩小，模