U-Net解決的是生物醫學圖像的分割問題。分割問題其實也是分類的一種，只不過是像素級別的分類。為了在同一圖像中獲得多維的概率，U-Net網絡結構使用了全卷積的結構，網絡中沒有全連接層。

對訓練圖像使用彈性形變進行數據增強。

壓縮路徑中，每次池化之后會進行兩次卷積。需要注意的是卷積后的通道數（濾波器個數）是池化之前的2倍。而在壓縮路徑中則相反，池化變為上采樣，通道數變為減半的關系。

壓縮路徑中的中間結果在copy and crop之后，大小與上采樣結果一致，就可以與上采樣的結果在channel維度進行拼接，目的是特征融合，提高預測和分割的準確性。拼接之后通道數double，所以在卷積時再將其減半。

裁剪的原因是保證尺寸一致，那么上采樣前后尺寸為什么會不一樣呢，因為卷積。在得到32*32大小之后仍然進行了兩次卷積才上采樣。

Overlay-tile Strategy，在卷積之前，針對邊界的像素進行的鏡像填充操作。

上采樣之后還是要卷積，提取關鍵特征，也是和壓縮路徑對稱。

在最后一層，使用1x1卷積將每個64分量特征向量映射到所需數量的類。

損失函數使用softmax估計得到的每個像素位置屬于各個類別的概率分布。針對位置的不同，提前計算權重圖，構建交叉熵。對于相交的目標設定較大的權重。可以使用形態學計算出邊界，根據到邊界的最近距離和次近距離計算權重。

有效卷積？same卷積？

Reference:

1.https://zhuanlan.zhihu.com/p/31428783?from_voters_page=true

2.https://zhuanlan.zhihu.com/p/43927696

3.https://lmb.informatik.uni-freiburg.de/Publications/2015/RFB15a/

總結

以上是生活随笔為你收集整理的U-Net的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。