《U-Net: Convolutional Networks for Biomedical Image Segmentation》学习笔记

最新推荐文章于 2025-09-06 16:26:18 发布
最新推荐文章于 2025-09-06 16:26:18 发布
阅读量2.1w 收藏 70
点赞数 8
CC 4.0 BY-SA版权
分类专栏： 图像&视频分割 文章标签： U-Net
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m_buddy/article/details/79399203
本文介绍了U-Net网络模型，一种适用于小数据集的快速图像分割模型，尤其在生物医学图像领域表现出色。U-Net结构独特，采用下采样增加特征通道，上采样融合浅层特征，有效处理图像边缘信息。在训练过程中，通过像素级损失函数和形态学运算优化边界分割，并利用数据增强提升模型泛化能力。

1. 总述

在15年的文章：《U-Net: Convolutional Networks for Biomedical Image Segmentation》中提出了一种基于少量数据进行训练的网络的模型，得到了不错的分割精度，并且网络的速度很快。对于分割一副512*512大小的图像只需要不到1s的时间。它的网络模型结构是这样的，看起来像是一个U型，故也叫U-net
这里写图片描述
从上面的U-net网络图结构可以看出下降的部分是采用conv+max-pool来实现的，并且在下采样过程中逐次增加feature channels；对于上升部分是使用左边的feature map拷贝和剪裁（是因为每次卷积过程中边缘像素的丢失）+up_convolution，这样的结构使得在上采样过程中网络可以传播到更高分辨率的层。
整个网络的思路跟FCN是差不多的，一个区别是它没有用VGG等CNN模型作为预训练模型，因为u-net做的是医学图像的二值分割，没必要用ImageNet的预训练模型，而且u-net这个结构我们是可以根据自己的数据集自由加深网络结构的，比如在处理具有更大的感受野的目标的时候；另一个区别是u-net在进行浅层特征融合的时候，采用的是叠加的做法，而不是FCN中的求和操作，也就是上图中的白色模块，是直接从左边的蓝色模块叠加过来的（如果是在Caffe中实现的，u-net是Concat层，而fcn是Eltwise层）。

最低0.47元/天 解锁文章
论文笔记 U-Net: Convolutional Networks for Biomedical Image Segmentation
qq_42681787的博客
04-10 639
摘要：人们普遍认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于大量使用数据增强来更有效地使用可用的注释样本。该体系结构包括用于捕获上下文的收缩路径和用于实现精确定位的对称扩展路径。我们表明，这样的网络可以从很少的图像进行端到端训练，并且在 ISBI 挑战中优于先前的最佳方法（滑动窗口卷积网络）,用于分割电子显微堆栈中的神经元结构。使用在透射光显微镜图像（相差和 DIC）上训练的相同网络，我们在这些类别中以大幅优势赢得了 2015 年 ISBI 细胞跟踪
【论文笔记】U-Net: Convolutional Networks for Biomedical Image Segmentation
qq_44055705的博客
04-15 3200
【论文笔记】U-Net: Convolutional Networks for Biomedical Image Segmentation 文章题目：U-Net: Convolutional Networks for Biomedical Image Segmentation 作者：Olaf Ronneberger, Philipp Fischer, and Thomas Brox 关键词：Training Image; Data Augmentation; Convolutional Layer; De
[U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation
Jinming Su
03-02 2756
Abstract 生物学会议ICMICCAI 2015相关的文章，主要是针对生物学影像进行分割。本论文考虑到医学影像往往比较少，而深度学习通常需要大量的图像。因此本文提出采用很强的数据增强提高数据的利用效率；提出U型网络模型——近似对称的Conv + Deconv.最终在三个生物学数据集上达到了当时最好的性能。 Movitation 当今生物影像分割的数据太少，现有的滑动窗口的做法消耗时...
【语义分割】U-Net: Convolutional Networks for Biomedical Image Segmentation
晓峰博客笔记
03-27 1146
简介： U-net 是基于FCN的一个语义分割网络修改的，适合用来做医学图像的分割。论文出现在2015年，在U-Net结构中，包括一个捕获上下文信息的收缩路径和一个允许精确定位的对称拓展路径。 本文的创新点： 提出了U-net这种网络结构。它同时具备捕捉上下文信息的收缩路径和允许精确定位的对称扩展路径，并且与FCN相比，U-net的上采样过程依然有大量的通道，这使得网络将上下文信息向更高层分...
U-Net 全解析：从网络架构、核心原理到 PyTorch 代码实现
最新发布
AggressiveYu的博客
09-06 2909
U-Net 是一个非常经典且极其重要的卷积神经网络（CNN）架构。它最初是为了生物医学图像分割而设计的，但由于其特别的设计，如今已经成为各种图像分割任务乃至 AI 图像生成模型（如 Stable Diffusion）的核心组件。
U-Net网络:Convolutional Networks for Biomedical Image Segmentation
weixin_43436958的博客
11-10 958
U-Net:卷积网络用于生物医学图像分割 摘要   人们普遍认为，对深度网络作品的成功训练需要成千上万的注释训练样本。在本文中，我们提出了一种网络和培训策略，该策略依靠大量使用数据增强功能来更有效地使用可用的带注释的样本,该体系结构由捕获上下文的收缩路径和支持精确定位的对称展开路径组成,我们证明，这样的网络可以从很少的图像中得到端到端的训练，并且在电子显微镜堆栈中分割神经结构的ISBI挑战中优于之前最好的方法(滑动窗口卷积网络),使用同样的网络对透射光学显微镜图像进行训练(相位对比和DIC)，我们在201
【U-Net】Convolutional Networks for Biomedical Image Segmentation
117瓶果粒橙
10-16 1324
终于有篇我能看个大概，短小精悍的论文了。 U-Net的作用 主要是针对生物学影像进行分割（分割细胞图像）。本论文考虑到医学影像往往比较少，而深度学习通常需要大量的图像。因此本文提出采用很强的数据增强提高数据的利用效率；提出U型网络模型——近似对称的Conv + Deconv.最终在三个生物学数据集上达到了当时最好的性能。 对比FCN 优点如下： 尺度 适合超大图像分割，适合医学图像分...
U-Net: Convolutional Networks for Biomedical Image Segmentation
Tartaglia_的博客
12-12 1424
U-Net: Convolutional Networks for Biomedical Image Segmentation
U-Net: Convolutional Networks for Biomedical Image Segmentation--论文笔记
dezwb的博客
06-04 1274
人们普遍认为，深度网络的成功训练需要数千个带注释的训练样本。在本文中，我们提出了一种网络和训练策略，该策略依赖于数据增强的强大使用，以更有效地使用可用的注释样本。该体系结构包括捕获上下文的收缩路径和支持精确定位的对称扩展路径。我们表明，这样的网络可以从很少的图像中进行端到端训练，并且在ISBI挑战中优于先前的最佳方法(滑动窗口卷积网络)，以分割电子显微镜堆栈中的神经元结构。使用在透射光显微镜图像(相位对比和DIC)上训练的相同网络，我们在这些类别中以很大的优势赢得了2015年ISBI细胞跟踪挑战赛。
论文解读：U-Net: Convolutional Networks for Biomedical Image Segmentation
海不辞水故其深
06-02 2407
要点 1. 提出了U-Net和一种依赖于数据增强的训练策略，能更加高效地使用有限的标注样本。 2. U-Net由一条捕捉上下文信息的收缩路径和一条提供精准定位的对称路径组成。 3. 这种网络拥有从极少图像训练样本中学习的能力，支持端到端的训练，且预测过程所需时间非常短。 读引言 研究背景   尽管在视觉识别类任务中深度卷积神经网络已经取得了巨大的成功，但是这些成果都受到训练数据和网络结构的大小的限制。   CNN的代表性应用场景就是分类任务，其输出往往只是一个类别标签，但对于许多视觉任务（特别是生物医学
U-Net Convolutional Network for Biomedical Image Segmentation.pdf
04-22
U-Net Convolutional Network for Biomedical Image Segmentation
U-Net : Convolutional Networks for Biomedical Image Segmentation
how_ever的博客
02-13 2256
U-Net: Convolutional Networks for Biomedical Image Segmentation [学习笔记，自我理解，若有错误，希望大家能够帮忙指出，谢谢] Abstract 能过成功训练出深度神经网络是需要以大量具有标记的数据集为基础的。本篇论文提出一个以强大的数据增强为基础进行网络搭建和网络算法策略。网络由用于捕捉上下文信息的收缩路径（下采样）和能够助于精确定位的扩张路径（上采样）组成。网络使用ISBI分割数据集中电子显微镜下神经元结构图片进行训练和测试，网络中使用较少的
实现U-Net:Convolutional Networks for Biomedical Image Segmentation的IoU是什么
07-31
在实现 U-Net 模型时，计算 IoU（Intersection over Union，交并比）是评估分割性能的重要指标之一。IoU 衡量的是模型预测的分割结果与真实标签之间的重叠程度，其计算方式为： $$ \text{IoU} = \frac{\text{Intersection}}{\text{Union}} = \frac{\text{TP}}{\text{TP} + \text{FP} + \text{FN}} $$ 其中 TP（True Positive）表示预测为正且实际也为正的像素数量，FP（False Positive）表示预测为正但实际为负的像素数量，FN（False Negative）表示预测为负但实际为正的像素数量。 在 U-Net 的训练和评估过程中，可以通过以下方式实现 IoU 的计算： ### 1. 使用 PyTorch 实现 IoU 指标 ```python import torch def iou_score(output, target, smooth=1e-6): """ 计算二分类 IoU :param output: 模型输出 (B, 1, H, W) :param target: 真实标签 (B, 1, H, W) :param smooth: 平滑项，防止除零 :return: IoU 值 """ output = torch.sigmoid(output) # 将输出转换为概率 output = (output > 0.5).float() # 转换为二值图像 intersection = torch.sum(output * target) union = torch.sum(output) + torch.sum(target) - intersection iou = (intersection + smooth) / (union + smooth) return iou ``` ### 2. 使用 TensorFlow/Keras 实现 IoU 指标 ```python import tensorflow as tf def iou_score(y_true, y_pred, smooth=1e-6): """ 计算二分类 IoU :param y_true: 真实标签 (B, H, W, 1) :param y_pred: 模型输出 (B, H, W, 1) :param smooth: 平滑项 :return: IoU 值 """ y_pred = tf.sigmoid(y_pred) y_pred = tf.round(y_pred) # 将输出转换为 0 或 1 intersection = tf.reduce_sum(y_true * y_pred) union = tf.reduce_sum(y_true) + tf.reduce_sum(y_pred) - intersection iou = (intersection + smooth) / (union + smooth) return iou ``` ### 3. 多分类 IoU 实现 如果任务是多类别分割，可以扩展上述方法，对每个类别分别计算 IoU 并取平均值（mIoU）： ```python def miou_score(y_true, y_pred, num_classes=3, smooth=1e-6): """ 计算多分类 mIoU :param y_true: 真实标签 (B, H, W) :param y_pred: 模型输出 (B, H, W) :param num_classes: 类别数量 :param smooth: 平滑项 :return: mIoU 值 """ ious = [] for cls in range(num_classes): intersection = tf.reduce_sum(tf.cast(tf.logical_and(tf.equal(y_true, cls), tf.equal(y_pred, cls)), tf.float32)) union = tf.reduce_sum(tf.cast(tf.equal(y_true, cls), tf.float32)) + \ tf.reduce_sum(tf.cast(tf.equal(y_pred, cls), tf.float32)) - intersection iou = (intersection + smooth) / (union + smooth) ious.append(iou) return tf.reduce_mean(ious) ``` 这些实现方式可以在 U-Net 的训练和验证阶段中集成，以评估模型的分割性能。通常，IoU 会与 Dice Loss 等损失函数结合使用，以提高模型的收敛速度和分割精度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值