网络结构包括一个捕获上下文信息的收缩路径和一个用于精确定位的对称扩张路径,该网络能使用很少的图像就能够进行端到端的训练,并且在ISBI对电子显微镜下神经元结构进行的分割挑战方面胜过先前的最佳方法(滑动窗口卷积网络)。
结构
卷积层: 无填充卷积+relu+(2*2,stride=2)的max pooling
卷积滤波器的数量每次下采样后double。
patch: 上采样的时候是下采样时候的两倍。因为要把下采样的patch合并过来。
优化器:SGD, 0.99的动量系数
loss: cross entropy loss function
输入:尽可能大的batch来完美使用GPU内存。
权重初始化:高斯(0,sigma=sqrt(2/N))
图像增强采用仿射变换。
U-Net 网络架构:
左侧:收缩路径遵循典型卷积神经网络的的结构, 重复使用的两个3*3卷积(无填充卷积),每一组卷积后紧跟着一个ReLU和一个 步长为2 的2*2 的最大池化操作进行下采样,每次下采样后将特征通道的数目变为原来两倍。
右侧:扩张路径中每一步都包含对特征映射进行上采样紧跟着一个2*2的卷积,将特征通道数减半,与来自收缩路径的对应的裁剪特征图进行连接,以及两个3*3 卷积,每个卷积后都