U-Net 解读

最新推荐文章于 2024-08-16 07:57:34 发布

不放糖的苦咖啡

最新推荐文章于 2024-08-16 07:57:34 发布

阅读量1.2w

点赞数 4

分类专栏：深度学习与计算机视觉

本文链接：https://blog.csdn.net/it_lxg123/article/details/88168019

版权

本文介绍了U-Net网络在计算机视觉领域的应用，特别是在医学图像分割中的重要性。U-Net与FCN相比，具有对称结构和skip connection特性。其编码-解码结构用于图像压缩和去噪，然后用于图像分割任务。下采样、上采样和skip connection是U-Net的关键部分。网络可以通过参数调整适应不同分割问题，并利用不同层次的特征提高分割效果。

摘要由CSDN通过智能技术生成

1. 介绍

计算机视觉领域，全卷积网络（FCN）是比较有名的图像分割网络，医学图像处理方向，U-Net可以说是一个更加炙手可热的网络。医疗分割问题，都可以通过U-Net架构，进行相应问题处理，得到分割效果。

U-Net和FCN非常的相似，U-Net比FCN稍晚提出来，但都发表在2015年，和FCN相比，U-Net的第一个特点是完全对称，也就是左边和右边是很类似的，而FCN的decoder相对简单，只用了一个deconvolution的操作，之后并没有跟上卷积结构。第二个区别就是skip connection，FCN用的是加操作（summation），U-Net用的是叠操作（concatenation）。这些都是细节，重点是它们的结构用了一个比较经典的思路，也就是编码和解码（encoder-decoder），早在2006年就被Hinton大神提出来发表在了Science上（ Reducing the Dimensionality of Data with Neural Networks）.

编解码结构提出的主要作用并不是分割，而是压缩图像和去噪声。输入是一幅图，经过下采样的编码，得到一串比原先图像更小的特征，相当于压缩，然后再经过一个解码，理想状况就是能还原到原来的图像。这样的话我们存一幅图的时候就只需要存一个特征和一个解码器即可。

后来把编解码思路被用在了图像分割的问题上，也就是现在我们看到的U-Net结构，