U-Net普遍应用在生物医学影像领域,其在架构设计和其他利用卷积神经网络基于像素的图像分割方面更成功,它甚至对有限数据集的图像更有效。U-Net的命名源自它的结构,它的网络结构可视化的结果很像一个字母U。
U-NET网络性能机制
U-Net
融合了
编码
-
解码结构和跳跃网络
的特点,在模型结构上更加巧妙,主要体现在以下两点:
●
(
1
)
U-Net
模型是一个
编码
-
解码的结构
,压缩通道是一个编码器,用于逐层提取影像的特征,扩展通道是一个解码器,用于还原影像的位置信息,且
U-Net
模型的每一个隐藏层都有较多的特征维数,这有利于模型学习更加多样、全面的特征。
●
(
2
)
U-Net
模型的“
U
形”结构让裁剪和拼接过程更加直观、合理,高层特征图与底层特征图的拼接以及卷积的反复、连续操作,使得模型能够从上下文信息和细节信息由组合得到更加精确的输出特征图。实验证明&