/创新点:
【1】提出了全卷积网络,使网络即使通过少量的训练图片也可以进行更精确的分割。
【2】expansive path与contracting path是近似对称的关系。使得网络是一个U型的结构。
【3】网络的最终的分割图像是与输入像素相同的图像。运用了overlap-title策略,使得在任意图像分类上都达到无缝分割,使得输入图像通过镜像推断进行填补。
【4】对于相邻的同类目标使用一个加权loss进行处理。
【5】使用弹性形变数据增强。
/具体方法:
【1】构建了一个全卷积网络来用于提取出相应的特征,网络只需要少量的训练数据就可以有更高的分割准确率。
【2】通过successive layesr来补充contracting network,其中pooling被上采样代替。
【3】上采样部分,有大量的特征通道,可以让网络将上下文信息传播到具有更高分辨率的层。
【4】网络没有全连接层,只有相应的卷积层,
【5】expansive path与contracting path是近似对称的关系。使得网络是一个U型的结构。
【6】网络的最终的分割图像是与输入像素相同的图像。运用了overlap-title策略,使得在任意图像分类上都达到无缝分割。
【7】对图片进行了镜像,使得图像边缘也能很好的分割。并且使得图片大小不再受限制与GPU内存。
【8】对于相邻的同类目标使用一个加权loss进行处理。
/为什么Unet要用U型结构?这有什么好处?
【1】U型结构近似对称,在下采样和上采样路径中使用相似的结构可以更有效地复用特征。
【2】对称结构意味着在编码和解码阶段可以共享参数,这有助于减少模型的总参数数量,从而减轻过拟合。
【3】编码路径捕捉低级特征(如边缘、纹理等),而解码路径则用于重建更高级的语义特征(如对象的整体结构)。这种从低级到高级,再从高级到低级的对称流程有助于保持特征的语义连贯性。
【4】每一次下采样都会有一个跳跃连接与对应的上采样进行连接,这种不同尺度的特征融合对上采样恢复像素大有帮助。
#第二次任务