U-Net: Convolutional Networks for Biomedical Image Segmentation

U-Net: Convolutional Networks for Biomedical Image Segmentation
卷积神经网络作用于生物图像分割

知乎上别人的理解

模型结构

其主要思想是通过连续层补充常见的收缩网络，其中池操作符被上采样操作符取代。因此，这些层增加了输出的分辨率。为了定位，结合来自收缩路径的高分辨率特征和上采样的输出，然后，连续的卷积层可以学习根据这些信息输出更精确的结果。
Unet包含左边的contracting path和右边的expansive path
在收缩路径中通过下采样将特征图变得更小，在扩张路径中通过上采样将图变回原来的大小，每一步和收缩路径大小相对应。

网络结构：

网络架构如图 1 所示。
收缩路径时候卷积网络的典型架构。
由两个 3x3 卷积（npadded convolutions)）的重复应用组成，每个卷积后跟一个ReLU（ 2x2 maxpooling，stride=2 ）以进行下采样。在每个下采样步骤中，我们将特征通道的数量加倍。
扩展路径中的每一步都包括对特征图的上采样，然后是将特征通道数量减半。
在最后一层，使用 1x1 卷积将每个 64 分量特征向量映射到所需数量的类。该网络总共有 23 个卷积层。

训练参数：

优化器：SGD，high momentum (0.99)
loss： cross entropy loss function
权重初始化：高斯（ standard deviation of√2/N）
图像增强采用仿射变换。

结论

u-net 架构在非常不同的生物医学分割应用程序上实现了非常好的性能。

词汇

contracting network 收缩网络
expansive path 扩展路径
successive layer 连续层