unet知乎_UNet++
作者对UNet++的解读 ，很详细，而且这种科研的思路在科研工作中很有参考价值。
总结UNet++的心路历程：
1 常用的UNet结构的要素：降采样，上采样，skip connection。
2 应该降采样几次合适？具体要看数据，3次、4次或者5次都是有可能的。
3 降采样是必须的吗？降采样可以增大对微小扰动的鲁棒性，减少过拟合的风险，增大感受野；对应的上采样将抽象的特征图恢复到原始的图像尺寸，得到最终的分割结果。
4 浅层结构可以抓取简单特征，深层特征可以捕获更为抽象的特征，浅层和深层的特征都很重要。
5 既然浅层和深层特征都很重要，就没有必要像UNet那样降采样4次以后才上采样回去。
6 实验说明了，UNet也不是越深越好。
7 由5和6，我们可以将不同深度的UNet融合到同一个网络中，从而同时提取浅层和深层的特征，如图1所示。但是这个网络是不能训练的，因为中间区域是不会有梯度的。
图1
8 为了解决7存在的问题，我们把网络结构改成如下的形式(如图2)。这个结构去掉了UNet的长连接，代之以很多短连接。作者认为长连接是有必要的，有助于还原降采样带来的信息损失。这个工作就不是UNet++的工作了。
图2
9 对于7中存在的问题，另外一个解决方案是采用Deep Supervision，如图3。这里面长连接是保留的，此外也添加了很多短连接。
图3
10 显然，对于同样的通道数、同样的降采样次数，图3所示的结构相比于UNet增加了很多的参数量。作者认为增加的参数量是有用的，为此设计了一个参数量比UNet++还多的UNet结构称之为wide UNet，并且效果比UNet++差。
11 作者对UNet++结构的总结：“把原来UNet中间的空心给填满了，这样可以更好的抓取不同层次的特征。此外UNet类似ResNet，UNet++类似DenseNet，可能UNet++对分割效果的提升原因与DenseNet效果好的原因一致。”
12 UNet++可以拿来做剪枝。在图4中，在推理时，灰色部分的权重不对其他部分产生影响；而在训练时，灰色部分可以参与到其他部分的训练。因此可以对UNet++做剪枝。对于deep supervision的输出分别命名为L1~L4，显然在测试时候可以直接拿L1或者L2或者L3的结果，如果结果足够好的话。
图4
unet知乎_UNet++相关推荐
- unet 的优点_UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式
UNet++论文: 地址 UNet++论文翻译:地址 UNet++源代码: 地址 UNet++作者在知乎上进行了解读,里面还有视频的讲解,深入人心.里面有一句话令我印象深刻,我总结下: 很多论文给出了 ...
- 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 ...
- unet 的优点_Unet神经网络为什么会在医学图像分割表现好？
这个问题在面试医疗影像算法岗位的时候,偶尔会提到,我这里提供一些个人的思考.问题中有两个关键词,[UNet]和[医疗影像],接下来我们一一分析这两个关键词. 首先我们说说[UNet]. UNet最早发 ...
- unet知乎_医学多模态图像分割小结
在医学图象中,多模态数据因成像机理不同而能从多种层面提供信息.多模态图像分割包含重点问题为如何融合(fusion)不同模态间信息,本文主要记录笔者最近所读,欢迎批评指正补充 1. A review: ...
- UNet论文详解分析
论文地址:https://arxiv.org/abs/1505.04597 一.概要 2015年UNet的出现使得原先需要数千个带注释的数据才能进行训练的深度学习神经网络大大减少了训练所需要的数据量, ...
- 过完备深度子空间聚类网络：《Overcomplete Deep Subspace Clustering Networks》
论文:<Overcomplete Deep Subspace Clustering Networks> 论文原文链接:有道云笔记 论文讲解链接:子空间聚类入门(一)overcomplete ...
- 按键精灵开发者认证1-6题库
这是以前整理的题库,包过. 题目:(前台)区域范围为(100,150)到(200,300)内的所有点是否均为"FFFFFF",是则弹出对话框"没有其他颜色",否 ...
- unet图像分割_UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式
UNet++论文: 地址 UNet++论文翻译:地址 UNet++源代码: 地址 UNet++作者在知乎上进行了解读,里面还有视频的讲解,深入人心.里面有一句话令我印象深刻,我总结下: 很多论文给出了 ...
- unet 层_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 ...
最新文章
- 今年央视的春晚能给人带来惊喜吗？
- Silverlight 2.0学习笔记——XAML
- 错误记录 Could NOT find GTest (missing: GTEST_INCLUDE_DIR)
- 一次讲清UNICODE
- Android 应用内直接跳转酷市场
- __cdecl、__stdcall、__fastcall 与 __pascal 浅析
- ES 11 - 配置Elasticsearch的映射 (mapping)
- 深入探讨PageRank（二）：PageRank原理剖析
- 欠阿里云 1 分钱，数据被删除
- python S2-45 漏洞利用工具
- 怎么把Epub转换成PDF格式？分享两种简单好用的转换方法
- 单片机学习知识点全攻略
- OpenGL_Qt学习笔记之_03(平面图形的着色和旋转)
- php药膳 源码,5款药膳方治疗关节炎
- b、B、KB、MB、GB 的关系
- 关系型数据库的瓶颈 与 优化
- ajax的各个参数详细讲解
- sublime text 软件上手指南
- Python数据分析与大数据处理从入门到精通
- android 海拔高度_Android：如何获取准确的海拔高度？