Unet图像分割_unet图像分割原理

UNet

详细博客指路：https://blog.csdn.net/weixin_44791964/article/details/108866828

一.语义分割

目的及作用：将原图的每一个像素点进行类别划分。
例：

语义分割原理：通过卷积神经网络提取足够的特征后再通过反卷积进行分割

二.Unet模型

Unet可以分为三个部分，如下图所示：

第一部分是主干特征提取部分，我们可以利用主干部分获得一个又一个的特征层，Unet的主干特征提取部分与VGG相似，为卷积和最大池化的堆叠。利用主干特征提取部分我们可以获得五个初步有效特征层，在第二步中，我们会利用这五个有效特征层可以进行特征融合。

第二部分是加强特征提取部分，我们可以利用主干部分获取到的五个初步有效特征层进行上采样，并且进行特征融合，获得一个最终的，融合了所有特征的有效特征层。

第三部分是预测部分，我们会利用最终获得的最后一个有效特征层对每一个特征点进行分类，相当于对每一个像素点进行分类。

详细博文指路：
https://www.cnblogs.com/PythonLearner/p/14041874.html

三.主干特征提取网络介绍

一般利用VGG16模型进行主干特征提取

四.加强特征提取网络

五.预测与最终结果

最终通过一个1x1的卷积将通道数调整为num_class

六.动手实践

目标：三分类
https://www.bilibili.com/video/BV11341127iK?spm_id_from=333.337.search-card.all.click