基于UNet的可视化裂缝检测模型

本人小白，写博客是为了记录学习笔记，也为了和各位大佬交流，如果文中出现错误，希望各位指正，本人不胜感激！

论文题目：UNet-based model for crack detection integrating visual explanations

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0950061821039957

文章的主要贡献

• 提出一种基于UNet的模型，它集成了视觉解释来解释模型。它的编码器被典型的CNN模型取代，以具有不同的计算和模型复杂度。
• 代替唯一的准确性度量，使用包括准确性、时间（计算复杂度）和内存（模型复杂度）的三个评估度量来估计基于UNet的模型和典型分割模型的有效性和效率，同时采用四种类型的损失函数。
• 预测（二进制图像）和视觉解释（热图）显示了三种基于UNet的模型（UNet-VGG 19，UNet-InceptionResNetv 2和UNet-EfficientNetb 3）在不同条件下和不同训练周期的性能。

编码器

对于UNet编码器提出，编码器可以由多中特征提取的网络模型进行替换，对于模型评估标准提出了准确性、模型复杂性、计算复杂性三个指标。

损失函数

• 二进制交叉熵损失函数：是一个二进制问题上，一个sigmoid函数加上交叉熵损失，是分割模型的默认值；
• Dice Loss：衡量两个图像的相似性的Dice系数；
• Focal Loss：二进制加插上损失函数的变体，它专注于学习复杂的示例并降低分配给分类良好的示例的损失；
• BCE +骰子损失：组合了BCE损耗和骰子损耗，这使得损耗具有一定的多样性，并受益于BCE损耗的稳定性；

总结来说：随着训练次数的增加， BCE损失和 Focal 损失趋于稳定，但是骰子损失和BCE +骰子损失依旧有波动， BCE损失的F1和MIOU指标高于Focal 损失，骰子损失指标低于BCE +骰子损失，经过作者比较得出BCE损失的UNet获得了最高的F1和MIoU以及最低的损失值。

实验比较了UNet网络下不同的损失函数对应的F1和MIOU数值，显示BCE的指标最好，同时比较在BCE损失函数下不同网络的损失值，发现UNet，UNet-VGG 19，UNet-EfficientNetb 3和UNet-InceptionResNetv 2t网络的损失值稳定且UNet、UNet-VGG 19、UNet-EfficientNetb 3和UNetInceptionResNetv 2的损失值逐渐减小并趋于平缓，而UNet-MobileNetv 2的损失值经历了一点波动。相比之下，UNet-ResNet 50和UNet-DenseNet 161的损耗曲线首先减小到一个小值，然后缓慢增加并随着历元的增加而波动。他们可能会面临过度拟合的问题。