分割网络 U-Net

U-Net: Convolutional Networks for Biomedical

Image Segmentation

U-net：作者提出了一种依赖于数据增强，使用少量标注数据更有效的网络和训练策略。该架构包括了两个路径，一个是压缩路径去捕获上下午，一个是对称扩展路径能够更有效的定位。此外，在少量数据的基础上，该网络实现了一种端到端的训练。

在文章中，作者建立了一个全卷积网络，它使用少量的数据且产生更精确的分割结果。该网络是一个连续的压缩网络，其中池化操作被上采样操作代替，从而增加了输入图像的分辨率。为了定位，来自压缩路径的高分辨率特征与上采样层结合。

该网络中重要的改进是在上采用部分，使用了大量的特征通道（这允许网络继承高分辨率层的上下文信息）

U-net中通过overlap-tile strategy策略来解决大图像在切割成小图像时边缘分割不准确的问题。也就是说在切割成小图片的时候，由于小图片边缘被人为切割，比如大影像中的建筑物刚好被切割到两张小图片中，导致神经网络不能识别小图片边缘部分的建筑物。直接切割，不采用影像重叠策略的效果如下图所示，由于每张小图片边缘部分预测的效果比中间部分差很多，拼接后会产生明显的裂痕感。使用该策略后，效果明显提升，初赛时准确率提升在10%左右。影像重叠策略是在原始影像内部切割的时候进行重叠，在原始影像边缘部分进行镜像反射外推。如下图所示，原始影像做镜像反射外推padding=16，影像内部切割重叠部分padding=16，大的黄色框和红色框是切割图片时的大小，小的黄色框和红色框是实际有用的区域（参考博文：https://blog.csdn.net/qq_34759239/article/details/79209148）。

网络中使用弹性形变对数据进行增强，一方面增加了数据量，另一方面有利于网络对组织形变的适应性。

对于相同类别，临近物体的分割任务。使用权重损失来解决这个问题，即相同类别之间的背景获得较大的权重。 

网络结构：a contracting path(left side)和an expansive path(right side)，两个部分都是卷积网络。每层中包括两个3*3的卷积层(unpadding convolution)，外加一个ReLU 和一个2*2的max pooling(stride 2)，每个下采样阶段使通道数加倍。在扩展层中，使用2*2的上采用层，将通道数量减半。并且由于左边压缩部分与右边扩展部分的feature map的维度不一样，所以需要需要裁减左边的feature map以便能够进行concat操作。每一层最后加一个ReLU，最后使用1*1的conv进行通道融合。（At the final layer a 1*1 convolution is usedto map each 64-component feature vector to the desired number of classes.）