基于U-Net系列的医学图像分割

U-Net 在FCN 的基础上增加了上采样操作的次数和跳跃连接，使用跳跃连接将解码器的输出特征与编码器的语义特征融合，提高了分割精度，改善了 FCN 上采样不足的问题。
 

U-Net中没有全连接层，通过互连卷积与反卷积过程中的特征，将上下文信息传递到更高层，实现了信息补充；另外，其网络深层的卷积特征图中包含了分割的抽象特征，有利于像素分类，具有语义分割模型的端对端特点。U-Net 具有数据量需求小和训练速度快的特点，在标记数据稀缺的医学影像分割领域得到了广泛应用。然而，仅使用U-Net不能满足对小病灶分割精度的需求，因此一些研究以 U-Net 作为基准模型，此外还有不少网络结构效果也不错。
知识蒸馏网络结构

FCN 分割网络架构
 

决策级融合网络结构
 

AG-Net 结构
 

并行编码器—解码器网络结构

层级融合网络结构

TSBTS 网络结构
 

混合级联网络结构
 

输入级融合网络结构
 

擅长现代信号处理(改进小波分析系列，改进变分模态分解，改进经验小波变换，改进辛几何模态分解等等)，改进机器学习，改进深度学习，机械故障诊断，改进时间序列分析(金融信号，心电信号，振动信号等)