MultiResUnet概述

最新推荐文章于 2025-03-02 20:55:52 发布

purson2

最新推荐文章于 2025-03-02 20:55:52 发布

阅读量9.5k

点赞数 12

本文链接：https://blog.csdn.net/purson2/article/details/103490895

版权

MultiResUNet通过使用多分辨率块和残差路径改进了传统的U-Net结构，提升了在复杂医疗图像分割任务上的性能。它用3X3、7X7和5X5卷积的并行组合替代了单一的3X3卷积，并引入了1X1卷积层和残差连接，提高了模型对空间信息的理解。实验证明，尽管在简单分割任务上U-Net可能更优，但在具有挑战性的数据集上，MultiResUNet表现出显著的提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

原文地址：MultiResUNet : Rethinking the U-Net Architecture for Multimodal Biomedical Image Segmentation paper

创新点

将u-net中的两个3X3的卷积替换成3X3，7X7卷积运算与5X5卷积运算并行合并，使用多分辨率思路替换传统卷积层。
使用res path替换传统u-net中的简单的跳过连接。
在具有挑战性的训练集有着卓越的提高。

multiblock

多分辨率分析来扩展U-Net的最简单方法是将3×3和7×7卷积运算与5×5卷积运算并行地合并，如图3a所示。
论文中使用一系列更小，更轻便的3×3卷积块来分解更大，更苛刻的5×5和7×7卷积层，如图3b所示。2个3×3卷积块的输出有效地近似5×5卷积运算，3个3×3卷积块的输出有效地近似7×7卷积运算。
最终MultiResUnet使用了三个3X3的卷积替换了unet中的模块，并且引入了1X1卷积层，添加了剩余连接，使模型能够理解一些其他空间信息。