参考
应用场景
- 医学领域
- 小目标分割
U-net模型
- 编码-解码:(先将图像编码成特征,再将特征解码成图像)
- 特征融合,采用拼接方法要比直接加法好(因为在下一步会对拼接的特征进行加权融合)
图1:U-net:
接下来是改进模型
U-net++模型
改进思路(特征融合和类似fpn的多分支预测和多loss)
在图1中
X
0
,
0
X^{0, 0}
X0,0 和
X
0
,
4
X^{0, 4}
X0,4的连接隔了很远的距离,所以在中间增加特征融合的新路径。
使用中间结果预测, 相当于把每一步做好,最后的结果也很好。
此外该模型很容易剪枝
U-net+++
主要的创新点为在 X 4 X^4 X4上同时融合了浅层的位置信息和深层的语义信息。