U-Net阅读笔记
介绍
- 在上采样部分有大量的特征通道，这使得网络可以将空间上下文信息向更高的分辨率层传播,呈现出一个U型。
- 网络不存在任何全连接层，并且，只使用每个卷积的valid部分.
- 为了预测图像边界区域的像素点，我们采用镜像图像的方式补全缺失的环境像素。
- 采用弹性形变的方式增加数据
网络结构
- 网络结构由 contracting path 和 expansive path 组成。
- contracting path 每次重复中都有2个 3*3 卷积层（无padding）、非线性ReLU层和一个 2*2 max pooling层（stride为2）。
- expansive path 每一步都首先使用反卷积(up-convolution)，每次使用反卷积都将特征通道数量减半，特征图大小加倍。反卷积过后，将反卷积的结果与contracting path中对应步骤的特征图拼接起来。对拼接后的map再进行2次33的卷积。最后一层的卷积核大小为11，。
训练
- 采用随机梯度下降法训练，框架为Caffe。
- 卷积没有使用padding，输出图像总是比输入图像小一个恒定的宽度。
- 倾向于大的输入图块而不是大的 batch size， 从而将批处理减少到单个图像。
- 最后一层使用交叉熵函数与softmax。
数据扩充
- 使用随机位移矢量在粗糙的 3*3 网格上(random displacement vectors on a coarse 3 by 3 grid)产生平滑形变(smooth deformations)。
总结
U-Net主要应用于图像分割问题，在医学图像分割中表现良好。同时，U-Net引入了非常底层的信息，对于恢复细节非常有效，在样本量小的训练集上效果依然很好。