赞
踩
U-Net:Convolutional Networks for Biomedical Image Segmentation MICCAI 2015
生物医学影像
https://arxiv.org/abs/1505.04597
encoder:左边,特征提取下采样 contracting path
decoder:右边,通过一系列上采样得到最后的分割图 expansive path
输入为572x572的单通道图片,通过3x3的卷积层(stride=1,padding=0,所以通过卷积层后高和宽都减小)和relu激活函数
通过下采样(maxpooling2x2,stride=2,高和宽减半,channel不变),再经过3x3的卷积层和relu激活函数(每次下采样之后经过的卷积层都会将channel翻倍)
......
上采样(转置卷积,将特征层的高和宽都放大两倍,channel减半)
将64x64的特征层进行中心裁剪变成56x56,与右边56x56的特征层进行拼接,channel=1024
再通过卷积层将channel=512
上采样......
通过1x1的卷积层(没有relu激活函数),卷积核个数与分类的类别个数相同(前景+背景=2)
输入图片的大小为572x572,得到的分割图大小为388x388,不是针对原图的分割图,而是只有中间388x388区域的分割图
现在主流的实验方式:在卷积操作中加上padding(不会改变特征层的高和宽),在卷积层和relu激活函数中加上BN模块,得到的分割图大小与输入图片大小相同
高分辨率图片的分割方法
每次只分割一小块
相邻的两个区域之间一般会有重叠的部分,为了更好地分割边界区域的信息
a 分割原图的灰度图
b 人工标注的实例分割的标签数据
c 语义分割
d 热力图,训练时针对ground truth每一个像素的权重,细胞间的背景区域施加更大的权重,大片的背景区域施加较小的权重
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。