背景介紹
U-Net可以說是當今時代下一個炙手可熱的網路模型，作為分割領域的一種基礎網路，其代表了一種高性能的基礎網路設計架構，很多網路為了延續U-Net的核心思想，加入了新的模塊或者融入其他設計理念設計而成，如今，所有的影像分割問題，人們都會嘗試著用各種U-Net網路架構看看效果，
論文傳送門
???ttps://www.sogou.com/link?url=hedJjaC291OjP4LRzIQNfjvl79yF6uWC5_wsdhbtYuEOX3hBKf-DUA…
什么是U-Net模型？
論文中構建了一個優雅的結構，即所謂的“全卷積神經網路”，U-Net正是基于全卷積網路拓展和修改而來的，這個方法能使用更少的訓練圖片，同時能更精確的分割，U-Net是一個優秀的語意分割模型，其主要執行程序與其他語意分割模型類似，
使用全卷積神經網路
不同于傳統的卷積網路，全卷積網路使用卷積層取代全連接層，這個策略的使用，使得輸入的圖片可以是任意尺寸，所以，這也是一種端到端的網路，
收縮路徑(contracting path)
通常可以理解為主干特征提取網路，該部分遵循卷積網路的經典結構，通過收縮路徑獲得一個又一個的特征層，
擴張路徑(expanding path)
利用主干特征提取網路獲取到的初步的有效特征層進行特征融合，特征融合的方式就是對特征層進行上采樣并且進行堆疊，之后進行兩次卷積，然后逐層上采樣，達到最后的heatmap之前，用1*1卷積做分類，得到最后的heatmap，上采樣的作用就是能把抽象的特征以解碼的形式還原成輸入影像的尺寸，最終得到分割結果，
預測網路
將每一個獲取到的有效特征層對每一個特征點(像素點)進行分類
網路體系架構
U-NeT整體流程其實就是編碼和解碼的程序，其結構主要是由收縮路徑(contracting path)和擴展路徑(expanding path)構成，收縮路徑遵循卷積網路的經典結構，包括兩個3*3卷積的重復利用，之后使用激活函式(ReLU)和一個2*2最大池化(Max PooL)，步長為2，并進行下采樣，在每個下采樣程序中，特征層的通道數數量增加一倍，擴展路徑的每一步都是由特征映射的上采樣進行2*2的上采樣(up-convolution)，特征通道數減半，將對應的收縮路徑特征層中的影像進行裁剪，使其與擴展路徑上采樣之后的影像維度相同，并與其進行特征融合，隨后進行兩個3*3卷積，之后使用激活函式(ReLU)，
資料處理
醫學影像資料存在一個共同的特點，就是樣本量一般較少，當訓練樣本過少時，容易使得訓練效果不佳，面對訓練資料較少的情況，該論文所采取的方法是通過對訓練影像施加彈性變換(elastic deformations)進行資料增強，如下圖所示，人為的增加這種樣本量使得U-Net網路能夠學習到這種形變的不變性，
同時，在影像輸入前，將目標區域的四個邊都進行鏡像擴大操作，保證在一系列的卷積操作之后的結果能夠與原圖大小一致，由于醫學影像尺寸通常較大，可以采取分塊輸入的訓練方式，最后將結構一塊塊拼接起來，為了預測邊緣像素，避免在拼接程序中出現不連接等問題，在訓練之前，每一小塊都會選擇鏡像擴大，以保留更多的邊緣資訊，
訓練模型
該論文是基于Caffe的隨機梯度下降去訓練網路，使用用動量為0.99的SGD，損失函式為交叉熵損失函式，最后通過softmax函式計算并獲取每一個像素點的最大概率，對其進行分類，該訓練模型與傳統的多分類訓練模型類似，
?
?
公式1是softmax函式，ak(x)表示每一像素點對應類的概率；
公式2是給每個像素點分配權值然后進行加權，d1(x)表示圖中某一背景像素點到離這個點最近的細胞邊界的距離，d2(x)表示離這個像素點第二近的細胞的距離，這樣做的目的是為了對兩個細胞的重合邊緣部分增加權重來加強損失函式的回歸維度和性能，換一種方式來理解就是：為了防止同類細胞因貼得過近而導致訓練難度增加(同類細胞貼得過近容易誤判)，減少準確率，所以對同類細胞貼在一起的邊界給予較大的權值，使得訓練之后的分割更精準，
網路改進和創新
Encoding & Decoding 結構
該模型通過編碼和解碼的結構去除輸入影像的噪聲，增強網路的魯棒性
跳級連接
對于主干網路采取類似VGG這樣的強調深度的網路模型，會忽略輸入影像的部分細節和低級特征，對于一些尺寸較小的目標來說，如果采取此類主干網路，會導致部分像素點丟失，甚至可能導致目標消失，U-Net模型在編碼和解碼的程序通過跳級連接的方式能很好保留低級特征，盡可能保留影像的細節和低級特征
損失函式
設計損失函式時，對兩個細胞的重合邊緣部分增加了損失權重來加強損失函式的回歸維度與性能，從設計組成上將邊緣部分的檢測進行強調
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/400414.html
標籤：其他
下一篇：關于內核堆溢位漏洞的分析