语义分割网络经典：unet-轻识

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。

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：

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~

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python+OpenCV视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：Pytorch常用函数手册

在「小白学视觉」公众号后台回复：pytorch常用函数手册，即可下载含有200余个Pytorch常用函数的使用方式，帮助快速入门深度学习。

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~