高级实训任务二：图像分割

实验内容

将卷积神经网络（CNN）应用在图像分割任务上，我们需要对网络结构进行设计。
本实验使用U-Net网络结构，Tensorflow Keras框架对data-science-bowl-2018数据集进行图像分割。

实验原理

U-Net的网络结构

U-Net是一个端到端的完全卷积编码网络，结构包含收缩路径（contracting path）和对称扩展路径（symmetric expanding path）。

输入模块I（64@568×568）：

• 输入（3@572×572）：输入图像大小为572×572，三通道。
• 卷积层I_C_1（64@570×570）：使用64通道大小为3×3的卷积核对输入图像卷积计算得到64个大小为570×570的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层I_C1_2（64@568×568）：使用64通道大小为3×3的卷积核对输入图像卷积计算得到64个大小为568×568的特征图。
• ReLu：使用ReLU激活函数。

收缩模块C1（128@280×280）：

• MaxPooling（64@284×284）：使用最大池化，池化单元的规格为2×2，步长为2，池化后的结果为64@284×284的特征图。
• 卷积层C_C1_1（128@282×282）：使用128通道大小为3×3的卷积核对输入图像卷积计算得到128个大小为282×282的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层C_C1_2（128@280×280）：使用128通道大小为3×3的卷积核对输入图像卷积计算得到128个大小为280×280的特征图。
• ReLu：使用ReLU激活函数。

收缩模块C2（256@136×136）：

• MaxPooling（128@140×140）：使用最大池化，池化单元的规格为2×2，步长为2，池化后的结果为128@140×140的特征图。
• 卷积层C_C2_1（256@138×138）：使用256通道大小为3×3的卷积核对输入图像卷积计算得到256个大小为138×138的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层C_C2_2（256@136×136）：使用256通道大小为3×3的卷积核对输入图像卷积计算得到256个大小为136×136的特征图。
• ReLu：使用ReLU激活函数。

收缩模块C3（512@64×64）：

• MaxPooling（256@68×68）：使用最大池化，池化单元的规格为2×2，步长为2，池化后的结果为256@68×68的特征图。
• 卷积层C_C3_1（512@66×66）：使用512通道大小为3×3的卷积核对输入图像卷积计算得到512个大小为66×66的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层C_C3_2（512@64×64）：使用512通道大小为3×3的卷积核对输入图像卷积计算得到512个大小为64×64的特征图。
• ReLu：使用ReLU激活函数。

收缩模块C4（1024@28×28）

• MaxPooling（512@32×32）：使用最大池化，池化单元的规格为2×2，步长为2，池化后的结果为512@32×32的特征图。
• 卷积层C_C4_1（1024@30×30）：使用1024通道大小为3×3的卷积核对输入图像卷积计算得到1024个大小为30×30的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层C_C4_2（1024@28×28）：使用1024通道大小为3×3的卷积核对输入图像卷积计算得到1024个大小为28×28的特征图。
• ReLu：使用ReLU激活函数。

扩张模块E4（512@52×52）

• 上采样层E_TC_4（512@56×56）：上采样使用转置卷积的方式，使用512个卷积核，转置卷积的卷积核大小为2×2，步长为2，得到512个大小为56×56的特征图。
• 特征图拼接（Skip Connection）（1024@56×56）：先将收缩模块C3的特征结果（大小为512@64×64）裁剪为512@56×56，再与上一步中上采样结果（512@56×56）进行拼接（通道叠加），得到1024@56×56。
• 卷积层E_C4_1（512@54×54）：使用512通道大小为3×3的卷积核对输入图像卷积计算得到512个大小为54×54的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层E_C4_2（512@52×52）：使用512通道大小为3×3的卷积核对输入图像卷积计算得到512个大小为52×52的特征图。
• ReLu：使用ReLU激活函数。

扩张模块E3（256@100×100）

• 上采样层E_TC_3（256@104×104）：上采样使用转置卷积的方式，使用256个卷积核，转置卷积的卷积核大小为2×2，步长为2，得到256个大小为104×104的特征图。
• 特征图拼接（Skip Connection）（512@104×104）：先将收缩模块C2的特征结果（大小为256@136×136）裁剪为256@104×104，再与上一步中上采样结果（256@104×104）进行拼接（通道叠加），得到512@104×104。
• 卷积层E_C3_1（256@102×102）：使用256通道大小为3×3的卷积核对输入图像卷积计算得到256个大小为102×102的特征图。
• ReLu：使用ReLU激活函数。
• 卷积层E_C3_2（256@100×100）：使用256通道大小为3×3的卷积核对输入图像卷积计算得到256个大小为100×100的特征图。
• ReLu：使用ReLU激活函数。