mask-r-cnn,unet,unet++三种算法实现细胞分割的对比心得

事先说明一下模型的训练。在mask-rcnn上面是没有fine-tune的,unet和unet++的代码是从unet++论文的链接中下载的,按照论文里面代码来说,是有迁移学习的,但是也没有做fine-tune。这个对mask-rcnn来说,这个比较有点不公平。但我在完全没有transfer learning的unet上面测试过,效果也是不错的。
而且对于mask-rcnn这种很复杂的网络来说,这么少的训练集对他是非常不友好的,参数很难得到拟合。所以也是可以说,mask-rcnn更加适合做大数据的语义识别,而unet更加适合做结构比较简单,数据集较小的语义分割(比如细胞分割,MR和CT分割等)。
maks-r-cnn在小数据集中性能较差。120训练集,40测试集(256乘以256)的数据集上面测试,效果很差
mask-r-cnn,unet,unet++三种算法实现细胞分割的对比心得_第1张图片
只能勉强分清个轮廓,很多细胞都没有被识别到。mask-r-cnn的分割能力有待在更大的数据集上面进行测试。
unet的分割能力是出奇的强,在很小的训练集上面都有很不错的表现(35乘以512乘以512)
mask-r-cnn,unet,unet++三种算法实现细胞分割的对比心得_第2张图片
轮廓比较明显,挨得很近的细胞也能分出大概的轮廓
unet++的分割能力会比unet好一点点
mask-r-cnn,unet,unet++三种算法实现细胞分割的对比心得_第3张图片
希望可以用更大的数据集进行测试。
同时还发现,小的patch(256乘以256)在unet++上面的性能可能会好一点点,目前没有发现好很多,有待更大的数据集测试。

你可能感兴趣的:(训练总结)