分割相关论文回顾

参考文章“http://baijiahao.baidu.com/s?id=1572513028567873&wfr=spider&for=pc”

 

FCN：

FCN可以接受任意尺寸的输入图像，网络输出为原图的1/8，后经过8倍上采样得到与输入相同的size.

UNET：《U-Net: Convolutional Networks for Biomedical Image Segmentation》

1，收缩路径和拓展路径形成U形；

2，随机弹性形变的数据扩充；

3，加权损失的使用，（增加非背景类别的权重）

4，好的权重初始化；（高斯分布with标准差sqrt(2/输入节点个数)）

5，overlap-tile 策略

原文输入572*572，输出388*388

 

 

DCAN:Deep Contour-Aware Networks for Accurate Gland Segmentation

，，ci的权重随迭代次数的增加不断减小，直至为0.

 P0和PC分别指实心和轮廓分割。

黄色部分为后处理部分。The score masks of whole testing image are produced with an overlap-tile strategy。

原文输入输出大小一致。

 

Large Kernel Matters —— Improve Semantic Segmentation by Global Convolutional Network

文章地址：https://arxiv.org/pdf/1703.02719.pdf

上图为该文网络设计思想来源。网络结构图如下，B,C是本文所提出的，以预训练的resnet为basenet,依据fcn的总体架构。

关键步骤是要取大的卷积核，用k表示核大小，有对比试验：

经过微调之后，ResNet-GCN实现了更好的效果。该文输入与输出大小一致。

 

Refinenet:

作者认为每一层特征都是有用的，所以经过resnet产生不同尺度的四种特征之后，要经过多个refinenet block，并结合四块特征，最后输出1/2的输入size的图。refinenet block可以是单尺度输入，也可以是多尺度输入，多尺度为主。

待细看。