图像分割之U-Net

最新推荐文章于 2024-07-27 12:49:56 发布

weixin_45409899

最新推荐文章于 2024-07-27 12:49:56 发布

阅读量438

点赞数

文章标签：深度学习图像分割 UNet

本文链接：https://blog.csdn.net/weixin_45409899/article/details/102230718

版权

本文深入探讨了U-Net在图像分割中的应用，解释了网络优化策略，如使用卷积代替池化层以保持位置信息，以及skip connection如何缓解梯度消失问题。还介绍了U-Net++的改进，它增加了更多的skip connection来提升细节保留。最后，提到了使用PyTorch实现U-Net的方法，并展示了效果。

摘要由CSDN通过智能技术生成

利用U-Net处理图像分割问题

图像分割应用场景

常用于医学上的影像分割
在这里插入图片描述
数据

标签

U-Net

顾名思义，因为网络结构像字母U，所以取名为U-Net，网络采用了FCN(全卷积神经网络)，所以整个网络可以进行多尺度训练

网络优化

网络采用了最大池化进行下采样，一般的我们认为maxpool、padding会破坏图片的位置信息，所以可以用卷积层代替池化层，这样有利于保护位置信息，并且增加网络容量，而上采样不用转置卷积，因为转置卷积会产生象棋格效应，这对于图像语义信息产生了影响，所以可以采用邻近插值法代替转置卷积，由于随着网络层次的加深会产生梯度弥散问题，所以加了skip connection，可以有效地缓解这一问题，并且skip connection可以让信息流动更加通畅，这也接下来U-Net的改进版本U-Net++的提出

skip connection

一般的像这种稠密信息转稠密信息，我们都可以把网络设计成类似于哑铃的结构(编解码结构)，图片经过下采样过后，留下的是图片的轮廓信息，比较抽象和高级，那么可以看成是总结，而加了skip connection可以看成是增加细节部分，这也是U-Net比传统卷据FCN好的地方，而到了U-Net++作者大量的使用了skip connection这种残差结构

U-Net++

在这里插入图片描述

利用pytorch实现U-Net

import torch.nn as nn
import torch
from torch.nn import functional

#把常用的2个卷积操作简单封装下
class DoubleConv(nn.Module):
    def __init__(self, in_ch, out_ch):
        super(DoubleConv, self).__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_ch, out_ch, 3, padding=1,stride=1),
            nn.BatchNorm2d(out_ch), #添加了BN层
            nn.ReLU(inplace=True),
            nn.Conv2d(out_ch, out_ch, 3, padding=1,stride=1)