语义分割网络经典:unet
共 1684字,需浏览 4分钟
·
2021-12-29 09:05
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
作者:晟 沚
编辑:赵一帆
目前分割主要存在问题
分割网络中的池化操作在减少feature的空间分辨率的同时增加了模型感受野,这也是模型应对小型平移具有鲁棒性的根本原因。但是连续的下采样得到的feature map 就会丢失一些low-level中关键信息(例如边沿,边界等)。这就让识别和准确定位产生了矛盾。如果网络不采取任何池化操作,这在目标边界定位上效果较好,但是识别性能差。
为了解决这个问题,unet采用多个skip-connection将底层的feature和高层的feature concat,unet结构如下图。
1
文章主要观点
unet建立在FCN的网络架构上,作者在网络框架上改进,使其能够使用很少的训练图像就得到很精确的分割结果。
添加连续upsample阶段,并且channel维度增大,在decoder部分concat进入更多的原图像纹理的信息。
unet没有FC层,卷积层的数量大约在20个左右,4次下采样,4次上采样。输入图像大于输出图像,因为在本论文中,为了预测输入图像的边缘部分,对输入图像做了镜像操作,如下图所示。
细胞分割的难点是将相同类别且互相接触的细胞分开,作者提出weighted loss,让相互接触的两个细胞之间的background标签有更高的权重,其中weight map由下面公式计算得到:
2
训练过程
框架是Caffe,使用momentum为0.99的SGD,损失函数为交叉熵,训练输入图片与它们对应的groundtruth(输入图片和最后的图片的尺寸不一样)。数据增强方面采用弹性形变的方式增加数据,可以让模型学习得到形变不变性。这对医学图像分割是非常重要的,因为组织的形变是非常常见的情况,并且计算机可以很有效的模拟真实的形变。
其中交叉熵损失定义如下:
实验结果
2.1
unet在生物医学图像分割当中的应用结果 如下表,在没有任何预处理或后处理的情况下实现了0.0003529的warping error和0.0382的rand-error。
unet在细胞分割当中的应用, 实现了92%的平均IOU,这比83%的次优算法要高很多
代码地址
2.2
网络结构部分的代码详见:
https://github.com/angelamin/Segmentation/blob/master/models/unet_vgg19bn.py
欢迎star~
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~