1.CNN现状
1.由于可用训练集的大小,并考虑到网络的大小,卷积神经网络(CNN)有一定的缺陷
2.在很多视觉任务上,特别是在医学图像处理,期望的输出应该包含定位,即为每个像素分配类别标签,而不是传统的给每张图片一个类别标签
2.U-Net网络结构
网络结构说明:
1.收缩路径(左边),每一步由两个重复的3*3卷积核组成,且均使用修正线性单元Relu激活函数,和一个用于下采样的步长为2的2*2最大池化操作,在每个下采样步骤中,我们将特征频道的数量加倍
2.扩张路径(右边),每一步都包含对特征图进行上采样,用2*2的卷积核进行卷积运算(上卷积),用于减少一半的特征通道数量;再用两个3*3的卷积核进行卷积运算
3.最后一层,用1*1的卷积核进行卷积运算,将每个64维的特征向量映射网络的输出层
3.U-Net技术创新点:
1.在上采样部分,我们还有大量的特征通道,允许网络将上下文信息传递到更高分辨率的层