2021/9/28 学习汇报总结
U-Net
-
解决什么问题?
- 医学图像的分割
- 对小数据集十分友好
-
U-Net使用的方法?
-
整体结构就是先编码(下采样), 再解码(上采样),回归到跟原始图像一样大小的像素点的分类。
-
继承FCN的思想,继续进行改进。但是相对于FCN,有几个改变的地方,U-Net是完全对称的,且对解码器(应该自Hinton提出编码器、解码器的概念来,即将图像->高语义feature map的过程看成编码器,高语义->像素级别的分类score map的过程看作解码器)进行了加卷积加深处理,FCN只是单纯的进行了上采样。
-
Skip connection:两者都用了这样的结构,虽然在现在看来这样的做法比较常见,但是对于当时,这样的结构所带来的明显好处是有目共睹的,因为可以联合高层语义和低层的细粒度表层信息,就很好的符合了分割对这两方面信息的需求。
-
联合:在FCN中,Skip connection的联合是通过对应像素的求和,而U-Net则是对其的channel的concat过程。
-
效果
-
CELoss + dice_loss,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。
-
Boundary Loss + Dice Loss,权重衰减法,alpha from 1 => 0.01,使用vgg16预训练权重;训练集:验证集 = 9:1;base_lr = 1e-4,StepLR学习率衰减器;batch_size = 2; epoch = 50。
U-Net++
效果