亿万先生线上开户:深入理解深度学习分割网络Unet——U-Net: Convolutional Networks for Biomedical Image Segmentation

本文来源:http://www.sbo661.com/www_51junshi_com/

申博真人游戏登入,其中,刘贺墓正北方向的5号墓成为许多专家关注的焦点。要进一步加强统筹协调、资源整合,优势互补、联动发展,逐步形成纵向分工协作、横向错位发展的格局,建立有利于要素自由流动的统一市场体系,共同把大通道建成国际商贸物流功能突出、高端要素资源集聚、城市产业和国际竞争优势明显、开放型经济体制健全的战略性开放大平台。制造苏联的核公文箱的想法本来来自一个苏联的将军,它是在苏联的自动化研究所内研究成功的。成为精华报告,对您日后申请试用有着极大的帮助。

中医认为心主血脉与神志,与精神、意识思维活动有关。  其中,两人位于美国洛杉矶的一处房产被证实,根据美国某房产网站的公开信息显示,王宝强在美国洛杉矶的房产位于帕萨迪纳(Pasadena),面积约200多平米,于2013年底以120万美元购得。为此,他在舞美、音效、节奏、表演等诸多环节的处理上渗透了他的所思所想,完整地表达了他对这部经典剧作的独特理解。“这一举动,其实就是让陈雪越陷越深,从而更易被不法分子操控。

此外,在产后6周,也可观察到排卵过后的黄体存在。作为投资家,他此行的第一站非常有目的性地选在了主体建筑刚刚落成、尚处于招商阶段的海曙月湖金汇小镇。甚至有人说,小米将死,就在2016年!小米还能赢得未来吗,2016年小米还有机会吗?正文一、过去的小米足够优秀,迟来的新秀墙亟需闯关小米是一家伟大的公司吗,不清楚,这需要时间去给出答案,至少截止现在足够优秀。(责编:陈灿、李岩)

##背景
分割

	Mask = Function(I)
  1. 什么是图像分割问题呢? 简单的来讲就是给一张图像,检测是用框出框出物体,而图像分割分出一个物体的准确轮廓。也这样考虑,给出一张图像 I,这个问题就是求一个函数,从I映射到Mask。至于怎么求这个函数有多种方法。我们可以看到这个图,左边是给出图像,可以看到人和摩托车,右边是分割结果。
    图二
  2. 求这个函数有很多方法,但是第一次将深度学习结合起来的是这篇文章全卷积网络(FCN),利用深度学习求这个函数。在此之前深度学习一般用在分类和检测问题上。由于用到CNN,所以最后提取的特征的尺度是变小的。和我们要求的函数不一样,我们要求的函数是输入多大,输出有多大。为了让CNN提取出来的尺度能到原图大小,FCN网络利用上采样和反卷积到原图像大小。然后做像素级的分类。可以看图二,输入原图,经过VGG16网络,得到特征map,然后将特征map上采样回去。再将预测结果和ground truth每个像素一一对应分类,做像素级别分类。也就是说将分割问题变成分类问题,而分类问题正好是深度学习的强项。如果只将特征map直接上采样或者反卷积,明显会丢失很多信息。

图三
3. FCN采取解决方法是将pool4、pool3、和特征map融合起来,由于pool3、pool4、特征map大小尺寸是不一样的,所以融合应该前上采样到同一尺寸。这里的融合是拼接在一起,不是对应元素相加。

图四
4. FCN是深度学习在图像分割的开山之作,FCN优点是实现端到端分割等,缺点是分割结果细节不够好,可以看到图四,FCN8s是上面讲的pool4、pool3和特征map融合,FCN16s是pool4和特征map融合,FCN32s是只有特征map,得出结果都是细节不够好,具体可以看自行车。由于网络中只有卷积没有全连接,所以这个网络又叫全卷积网络。

##Unet网络结构图五

  1. 很多分割网络都是基于FCNs做改进,包括Unet。Unet包括两部分,可以看右图,第一部分,特征提取,VGG类似。第二部分上采样部分。由于网络结构像U型,所以叫Unet网络。

    1. 特征提取部分,每经过一个池化层就一个尺度,包括原图尺度一共有5个尺度。
    2. 上采样部分,每上采样一次,就和特征提取部分对应的通道数相同尺度融合,但是融合之前要将其crop。这里的融合也是拼接。
      个人认为改进FCN之处有:
      1. 多尺度
      2. 适合超大图像分割,适合医学图像分割
  2. Unet——输入输出
    图六
    医学图像是一般相当大,但是分割时候不可能将原图太小输入网络,所以必须切成一张一张的小patch,在切成小patch的时候,Unet由于网络结构原因适合有overlap的切图,可以看图,红框是要分割区域,但是在切图时要包含周围区域,overlap另一个重要原因是周围overlap部分可以为分割区域边缘部分提供文理等信息。可以看黄框的边缘,分割结果并没有受到切成小patch而造成分割情况不好。
    3.Unet——反向传播
    Unet反向传播过程,大家都知道卷积层和池化层都能反向传播,Unet上采样部分可以用上采样或反卷积,那反卷积和上采样可以怎么反向传播的呢?那什么是反卷积呢?先来讲下卷积的过程

     				Y = Matrix_1(Filter)* Matrix_2(Image)
    

Matrix_1和Matrix_2分别是将卷积核和图像转成矩阵函数。也就说给一个输入X,利用矩阵乘法能得到卷积后输出Y。

								Y=C*X

所以卷积可以分解成两个矩阵相乘。很显然,卷积反向传播就是C的转置相乘。举个例子:

							Y=[1,2]*[X,x_1]T

Y对x求导,dy/dx=[1,2]^T。
图7
反卷积就是转置卷积,也是一种卷积,可以看到图7,这个就是转置卷积,由小尺寸到大尺寸的过程。也就是说反卷积也可以表示为两个矩阵乘积,很显然转置卷积的反向传播就是也是可进行的。所以说整体是Unet是可以反向传播的。
3.Unet——与其他结构比较之FPN
这里写图片描述
这是FPN检测网络,可以看到红框,如果将红框到过来可以发现,FPN部分结构和Unet相似之处。从而说明Unet网络结构是基于多尺度的。

如果大家觉的文章有帮助或者有用,麻烦关注下我的个人公众号
在这里插入图片描述

相关推荐
??2020 CSDN 皮肤主题: 精致技术 设计师:CSDN官方博客 申博真人游戏登入
菲律宾太阳成娱乐管理网 菲律宾申博游戏登入 旧版申博开户直营网 www.66msc.com www.77sbc.com www.99msc.com
申博手机版下载登入 申博游戏平台登入 申博在线开户网址 申博代理管理网登入 澳门美高梅游戏登入 申博官网娱乐城登入
www.11msc.com 申博咨询端下载直营网 申博游戏现金网直营 申博娱乐 申博在线娱乐登入 申博会员开户