U-Net:Convolutional Networks for Biomedical Image Segmentation
摘要
提出了一种网络和训练策略,使用了强大的数据增强方法,该网络包括两条路径,一条用来抽取上下文信息,另一条用来获取细节信息。实验结果表明,该方法使用了很少的数据就超过了之前最好的网络。(ISBI challenge for segmentation of neuronal structures in electron microscopic stacks)
引言
本文基于fully convolutional network建立了一个更加优雅的网络。该网络没有全连接层,同时卷积时值使用了valid方式。使用了弹性形变,使得网络能够学习到弹性形变过程中的不变性。在细胞分割中,由于同类细胞的接触,导致接触的边界难以分割,本文对边界部分对应的损失给予更大的权重。
网络结构
训练
计算损失函数时,针对每个像素位置,使用softmax获取各个通道概率,然后使用交叉熵获取损失,最后乘以一个权重w。
初始化方法
数据增强:本文中可以使用的数据增强有平移、旋转、灰度值变化和形变。比较重要的是形变。
实验