侧边栏壁纸
博主头像
lmg博主等级

  • 累计撰写 51 篇文章
  • 累计创建 6 个标签
  • 累计收到 2 条评论
标签搜索

Unet

lmg
lmg
2019-09-25 / 0 评论 / 0 点赞 / 57 阅读 / 703 字
温馨提示:
本文最后更新于 2022-04-16,若内容或图片失效,请留言反馈。部分素材来自网络,若不小心影响到您的利益,请联系我们删除。

论文题目:U-Net: Convolutional Networks for Biomedical Image Segmentation

下载:点击下载

Introduction:

作者提出一个基于FCN改进的U型结构的网络(U-net)和一个依赖strong use of data augmentation的训练策略,可以更充分利用训练样本。

相较于FCN的改进:

1.可以在更少的图片上训练

2.有更精确的分割

与FCN逐点相加不同,U-Net采用将特征在channel维度拼接在一起,形成更“厚”的特征

注:直接复制过来再裁剪到与上采样图片一样大小

该方法允许任意大图片的无缝分割通过一个overlap-tile策略。为了预测框中图像,缺失区域通过镜像输入图像扩张。这种tiling方法对于应用网络到大图像很重要,因为否则结果会被gpu内存限制。为了预测黄色区域的分割,需要蓝色区域作为输入。

数据增强:elastic deformations (弹性形变)

数据增强在训练样本比较少的时候,能够让神经网络学习一些不变性,弹性变换是本文使用的方法。(因为弹性形变是实际细胞中比较常见的一种形变,如果我们能采取数据增强的算法去使网络学习这种形变的不变性,就可以在分割数据集很小的情况下,使网络具有遇见弹性形变还是可以准确的检测出,相当于就是把原图,做了下弹性变形,然后,就相当于扩大了数据集嘛,自然网络就能适应这种弹性变化了,在遇见弹性变形的时候一样可以正确的分类分割)

增加touching cell之间border的权重,

参考:

https://blog.csdn.net/jianyuchen23/article/details/79349694

0

评论区