ToB企服应用市场:ToB评测及商务社交产业平台

标题: UNet网络框架 [打印本页]

作者: 北冰洋以北 时间: 2024-12-11 07:08
标题: UNet网络框架

Contracting Path (紧缩路径)
作用：实现特征提取和降维，从输入图像中逐步捕捉高条理的语义信息。可以看作是压缩图像的核心特征，逐层淘汰分辨率，但提取更抽象的特征。
Expansive Path (扩展路径)
作用：逐步融合高分辨率和低分辨率特征，生成与输入尺寸雷同的输出，用于像素级使命（如语义分割）。雷同于逐步放大特征，规复图像分辨率，同时保存语义信息。
其中输入输出大小不同
箭头：
1.conv 3x3,ReLu：卷积层，卷积核大小是3x3，然后经过ReLu激活。
2.copy and crop：复制和裁剪，因为图中左侧往右侧拼接时间尺寸不同因此中心裁剪使图像size雷同进行拼接
3.max pool 2x2：最大池化层，卷积核为2x2。
4.up-conv 2x2：转置卷积，详解：转置卷积（Transposed Convolution）-CSDN博客
5.conv 1x1 这里就是卷积层，卷积核大小是1x1。

channel：256 size：136×136
由于unet提出bn没有盛行，所以如今主流：
1.conv 3x3,ReLu：卷积层，卷积核大小是3x3，添加bn层，然后经过ReLu激活。
2.会加padding使得最终输入输出大小雷同，Expansive Path (扩展路径)每一步size都会雷同可以直接拼接
对于高分辨率的图片会切割成patch

其中会有重叠部门如许会对边缘信息进利用用

黄色区域：表现当前必要进行分割预测的目标区域。输出分割结果只覆盖这个区域。
蓝色界限区域：表现为进行分割预测所需的输入数据范围。分割模型必要以蓝色区域为输入才气预测黄色区域的分割结果。
缺失数据的处置惩罚：对于蓝色界限外的缺失数据，采用镜像来填充，确保模型输入完整。
但如果不缺失数据不必要镜像填充

(a) 原始图像 (Raw Image):
(b) 叠加真实分割标注 (Overlay with Ground Truth Segmentation):人工标注
(c) 生成的分割掩膜 (Generated Segmentation Mask):
掩膜使用黑白表现：白色代表细胞区域（远景），黑色代表配景。此分割掩膜是分割模型的输出结果，用于形貌每个像素是否属于细胞。
(d) 像素级损失权重图 (Pixel-wise Loss Weight Map):
红色区域（高权重）：会合在细胞界限处，用来迫使网络重点学习界限像素。
蓝色区域（低权重）：在细胞内部和配景区域权重较低。
作用：由于界限像素往往难以分割，通过加权方式让模型更加关注这些关键区域，从而进步界限分割的准确性。
详解：【U-Net网络布局解说(语义分割)】https://www.bilibili.com/video/BV1Vq4y127fB?vd_source=faed798d49591a5777b139f1be75048b

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)