unet详解_UNet解释及Python实现

介绍

在图像分割中，机器必须将图像分割成不同的segments，每个segment代表不同的实体。

图像分割示例

正如你在上面看到的，图像如何变成两个部分，一个代表猫，另一个代表背景。图像分割在从自动驾驶汽车到卫星的许多领域都很有用。也许其中最重要的是医学影像。医学图像的微妙之处是相当复杂的。一台能够理解这些细微差别并识别出必要区域的机器，可以对医疗保健产生深远的影响。

卷积神经网络在简单的图像分割问题上取得了不错的效果，但在复杂的图像分割问题上却没有取得任何进展。这就是UNet的作用。UNet最初是专门为医学图像分割而设计的。该方法取得了良好的效果，并在以后的许多领域得到了应用。在本文中，我们将讨论UNet工作的原因和方式

UNet背后的直觉

卷积神经网络(CNN)背后的主要思想是学习图像的特征映射，并利用它进行更细致的特征映射。这在分类问题中很有效，因为图像被转换成一个向量，这个向量用于进一步的分类。但是在图像分割中，我们不仅需要将feature map转换成一个向量，还需要从这个向量重建图像。这是一项巨大的任务，因为要将向量转换成图像比反过来更困难。UNet的整个理念都围绕着这个问题。

在将图像转换为向量的过程中，我们已经学习了图像的特征映射，为什么不使用相同的映射将其再次转换为图像呢?这就是UNet背后的秘诀。用同样的 feature maps，将其用于contraction 来将矢量扩展成segmented image。这将保持图像的结构完整性，这将极大地减少失真。让我们更简单地理解架构。

UNet架构

UNet架构

该架构看起来像一个'U'。该体系结构由三部分组成：contraction，bottleneck和expansion 部分。contraction部分由许多contraction块组成。每个块接受一个输入，应用两个3X3的卷积层，然后是一个2X2的最大池化。在每个块之后，核或特征映射的数量会加倍，这样体系结构就可以有效地学习复杂的结构。最底层介于contraction层和expansion 层之间。它使用两个3X3 CNN层，然后是2X2 up convolution层。

这种架构的核心在于expansion 部分。与contraction层类似，它也包含几个expansion 块。每个块将输入传递到两个3X3 CNN层，然后是2X2上采样层。此外，卷积层使用的每个块的feature map数量得到一半