语义分割——U-net、U-net+++、U-2net学习笔记（1）

目录

一、语义分割：逐像素的二分类问题

二、U-net网络

一、语义分割：逐像素的二分类问题

1、损失函数：采用逐像素的交叉熵损失函数（Cross Entropy Loss）

为了更高效的使样本的预测值逼近真实值，可考虑在损失函数中加入样本均衡、样本数量等因素。交叉熵损失函数公式如下：

①考虑正样本和负样本的比例，针对样本的前景和背景比例不一样，使得样本中每个像素点的重要程度不一样，在原本的交叉熵损失函数加入权重项 posweight，可以加强对重要的像素点的学习，加入权重项的交叉熵公式如下：

②针对要学习的样本困难程度不同，可设置参数r，具体的交叉熵公式如下：

 ③结合样本数量的权值的交叉熵公式如下：

一般交叉熵的值越小，模型预测效果就越好。

2、评价指标：IOU、MIOU

IOU（intersection over Union，交并比）：对某一类别预测结果和真实值的交集与并集的比值。

MIOU（Mean Intersection over Union，平均交并比）：对每一类预测的结果和真实值的交集与并集的比值，求和再平均的结果，一般当作多任务分割的评价指标。

二、U-net网络

1、作用：主要解决小目标问题的图像分割

2、网络结构：

 

特点:相比于其他语义分割网络，网络结构简单，因此适合做一些小目标的分割。

结构：

①引入了特征拼接操作，使得原始的浅层特征和后面的复杂特征相互融合，减少特征的丢失；

②网络包括上采样和下采样两个部分，也就是编码和解码的过程。

③学习的U-net代码来源：https://github.com/mateuszbuda/brain-segmentation-pytorch

（此为深度学习小白的学习笔记，可能目前学习不够深入，存在一些问题，虚心求教）