UNet++详细解读（一）论文技术要点归纳

UNet++

概要

unet++是一种基于深度监督的编码器-解码器网络结构，并且有密集的跳跃链接。

简介

跳跃连接在分割网络中十分重要，可以结合深层和浅层的语义信息。

在FCN中跳跃连接是通过元素级别的相加来实现的，在UNet中是通过拼接操作来实现的。

是否可以将Resnet和Densnet中的密集连接移植过来？

医学上的分割需要更精确，Unet无法满足，因此提出 了UNet++。

网络架构

黑色部分是Backbone，是原先的UNet。

绿色箭头为上采样，蓝色箭头为密集跳跃连接。

绿色的模块为密集连接块，是经过左边两个部分拼接操作后组成的

跳跃连接

其中（i,j）表示第i层第j个卷积层。

H表示卷积操作和激活函数

U表示上采样

[]表示拼接操作

深度监督

所示，该结构下有4个分支，可以分为两种模式。

精确模式：4个分支取平均值结果

快速模式：只选择一个分支，其余被剪枝

损失函数：

左边部分为二值交叉熵，右边为DICE系数，用于度量相似度。

实验

数据集

采用了4个不同的医学数据集

基线模型

采用UNet和设计的wide Unet作为比较模型。

实验参数

评价指标：IOU和DICE系数。

学习率：3e-4

优化器：Adam

实验结果

如图所示，UNet++的效果始终好于另外两个。

实验结果如下图所示，在IOU评价指标上，

没有深度监督的UNet++高于基线2.8-3.3个点

有深度监督的UNet++高于没有深度监督的UNet++ 0.6个点

模型剪枝

如下图所示：UNet++L3的推理时间平均减少了32.2%，而IoU只降低了0.6点。

结论

为了满足更精确的医学图像分割的需要，我们提出了UNet++，加入了深度监督和密集连接。

在U-Net和wideU-Net上实现了3.9和3.4点的平均IoU增益。