FCN
语义分割开山之作。
一般CNN分类网络使用固定大小的image patch来进行输入,这个patch往往是从原图剪切出来的,而FCN使用整张图来作为输入。
CNN在模型后端,丢掉位置信息,而只抽象出类别信息,由softmax层高来预测出类别概率分布;FCN保存区域位置信息,最终生成有C+1(C为类别数)个通道的heat map。
CNN网络随着层次的加深,会不断对处理的特征进行抽象、概括描述,较浅的层一般会有较细粒度的图片特征如目标边缘,较深的层次特征则渐渐失掉了细特征而只抽象包含目标基本概念的特征。有时候想语义分割这种细粒度识别目标轮廓的问题如果只选用最深的CNN feature maps的话往往会过于粗线条而不能细致。因此提出不同层次特征融合,共同生成最终的heat map。
实验
使用分类网络已有的权重来初始化整个模型的前端CNN处理网络,对后端网络进行微调
UNet
VNet
dice coefficien系数的优缺点
residual block https://www.jianshu.com/p/57cccc799277
##kits实验
大小原图调整窗宽窗位和slice,预处理为64x512x5112,然后每一次迭代输入切出的64x128x128图,输出同样大小,可视化的时候依次按列保存为(128x8)x(128x8)的png图???
Reference
Vnet简略翻译
https://blog.csdn.net/dgyuanshaofeng/article/details/78161987