U-Net解決的是生物醫(yī)學(xué)圖像的分割問題。分割問題其實(shí)也是分類的一種，只不過是像素級(jí)別的分類。為了在同一圖像中獲得多維的概率，U-Net網(wǎng)絡(luò)結(jié)構(gòu)使用了全卷積的結(jié)構(gòu)，網(wǎng)絡(luò)中沒有全連接層。

對(duì)訓(xùn)練圖像使用彈性形變進(jìn)行數(shù)據(jù)增強(qiáng)。

壓縮路徑中，每次池化之后會(huì)進(jìn)行兩次卷積。需要注意的是卷積后的通道數(shù)（濾波器個(gè)數(shù)）是池化之前的2倍。而在壓縮路徑中則相反，池化變?yōu)樯喜蓸?#xff0c;通道數(shù)變?yōu)闇p半的關(guān)系。

壓縮路徑中的中間結(jié)果在copy and crop之后，大小與上采樣結(jié)果一致，就可以與上采樣的結(jié)果在channel維度進(jìn)行拼接，目的是特征融合，提高預(yù)測(cè)和分割的準(zhǔn)確性。拼接之后通道數(shù)double，所以在卷積時(shí)再將其減半。

裁剪的原因是保證尺寸一致，那么上采樣前后尺寸為什么會(huì)不一樣呢，因?yàn)榫矸e。在得到32*32大小之后仍然進(jìn)行了兩次卷積才上采樣。

Overlay-tile Strategy，在卷積之前，針對(duì)邊界的像素進(jìn)行的鏡像填充操作。

上采樣之后還是要卷積，提取關(guān)鍵特征，也是和壓縮路徑對(duì)稱。

在最后一層，使用1x1卷積將每個(gè)64分量特征向量映射到所需數(shù)量的類。

損失函數(shù)使用softmax估計(jì)得到的每個(gè)像素位置屬于各個(gè)類別的概率分布。針對(duì)位置的不同，提前計(jì)算權(quán)重圖，構(gòu)建交叉熵。對(duì)于相交的目標(biāo)設(shè)定較大的權(quán)重。可以使用形態(tài)學(xué)計(jì)算出邊界，根據(jù)到邊界的最近距離和次近距離計(jì)算權(quán)重。

有效卷積？same卷積？

Reference:

1.https://zhuanlan.zhihu.com/p/31428783?from_voters_page=true

2.https://zhuanlan.zhihu.com/p/43927696

3.https://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a/

總結(jié)

以上是生活随笔為你收集整理的U-Net的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。