一看就懂的CE-NET详解
针对问题
u-net及其变体存在限制,连续的pooling和交错的卷积运算会导致一些空间信息的丢失。
文章贡献
- 提出了一个DAC模块和一个RMP模块来捕获更多的高级特征并保留更多的空间信息。
- 在医学图像分割中,我们将所提出的数模转换模块和最小均方误差模块与编解码结构相结合。
- 将该方法应用于不同的任务,包括视盘分割、视网膜血管检测、肺分割、细胞轮廓分割和视网膜光学相干断层扫描层分割。结果表明,在这些不同的任务中,所提出的方法优于最先进的方法。
网络结构
-
INPUT:4484483
-
Feature Encoder Module(Encoder):RES-NET 34
-
Context Extractor Module
-
1)DAC block(Dense Atrous Convolution module):
灵感来源:编码器-解码器和Inception-ResNet
作用:通过注入具有多尺度空洞卷积的四个级联分支来捕获更广泛和更深的语义特征,使用快捷连接来防止梯度消失问题。
Tips:In each atrous branch, we apply one 1×1convolution for rectified linear activation.