语义分割网络 U-Net 详解

最新推荐文章于 2024-08-02 22:07:39 发布

Zero黑羽枫

最新推荐文章于 2024-08-02 22:07:39 发布

阅读量1.7k

点赞数

文章标签：语义分割 deeplearning Unet

本文链接：https://blog.csdn.net/Zero_HeiYuFeng/article/details/100087091

版权

本文详细介绍了U-Net网络结构，它源于2015年，主要用于生物医学图像分析，现广泛应用于语义分割。U-Net采用Encoder-Decoder结构，结合特征提取和上采样，通过skip-connection融合浅层和深层信息。网络结构对称，Encoder部分包括卷积和下采样，Decoder部分通过上采样恢复原始分辨率。对于有限样本，U-Net利用图像增强提高精度。

摘要由CSDN通过智能技术生成

Unet 背景介绍

Unet 发表于 2015 年，属于 FCN 的一种变体，想了解 FCN 可以看我的另一篇 FCN 全卷积网络论文阅读及代码实现。Unet 的初衷是为了解决生物医学图像方面的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，比如卫星图像分割，工业瑕疵检测等。

Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。Encoder 负责特征提取，你可以将自己熟悉的各种特征提取网络放在这个位置。由于在医学方面，样本收集较为困难，作者为了解决这个问题，应用了图像增强的方法，在数据集有限的情况下获得了不错的精度。

Unet 网络结构与细节

Encoder

如上图，Unet 网络结构是对称的，形似英文字母 U 所以被称为 Unet。整张图都是由蓝/白色框与各种颜色的箭头组成，其中，蓝/白色框表示 feature map；蓝色箭头表示 3x3 卷积，用于特征提取；灰色箭头表示 skip-connection，用于特征融合；红色箭头表示池化 pooling，用于降低维度；绿色箭头表示上采样 upsample，用于恢复维度；青色箭头表示 1x1 卷积，用于输出结果。