U/V-Net Brief

  • V-Net
    • Basic Info
    • 针对的问题
    • 网络结构
    • 训练细节
    • 测试结果
  • U-Net
    • Basic info
    • 针对的问题
    • 网络结构
    • 训练细节

V-Net

Basic Info

  1. vnet论文
  2. vnet代码
  3. 3D Caffe
  4. 数据集
  5. 算法排名

针对的问题

三维图像分割。

网络结构


在结构上是三维化的U-net。除了3D卷积以为,在U-net的基础上加上了残差结构,并且把2x2 max-pooling替换成了2x2 conv.

训练细节

  1. 数据增广
    原本的数据集是50个MRI。通过对原先的数据进行随机畸变,通过一个稠密的2x2x2的网格。
  2. 超参数
参数 初始值 策略
momentum 0.99
lr(学习率) 0.0001 每25k次迭代,学习率降低一个数量级

3. 其他参数

参数
CPU Intel(R) Core(TM) i7-5820K
GPU NVidia GTX 1080 with 8 GB
训练时间 48 hours or 30K iterations
Framework Caffe

预测单个Volume速度为1fps

测试结果

U/V-Net Brief_第1张图片

以上是对30个MRI进行测试的结果


U-Net

Basic info

  1. unet论文
  2. unet代码
  3. 数据集:ISBI 2012、ISBI 2015、Cell Tracking Challenge

针对的问题

  1. 基于Patch方式的CNN
    Patch-style CNN有2个缺点:1)非常慢,因为需要对每个Patch单独运行CNN,且Patch之间有大量的重叠冗余;2)需要权衡定位准确度和被使用的上下文(context)大小。大的patch需要更多的Max-pooling层,会降低精度;而小的patch则让网络只能看到一个小的context。
    同时有好的定位准确度和充分利用context是有可能的。
    根据FCN的理念,借助反卷积,实现了一个结构。并且实现地更加优雅。一个重要的修改是,在扩展(expansive)和收缩(contracting)路径对应的层直接前馈传递context(以tensor复制的形式)。
  2. 相同类的接触对象的分割
    这是细胞图像分割中的一个挑战。对此,提出了利用weight loss解决的方法,在接触细胞之间的背景在损失函数中有一个极大的weight.
    U/V-Net Brief_第2张图片
    weight map计算方法
    U/V-Net Brief_第3张图片

网络结构

训练细节

  1. 加padding采用镜像的方式(Overlap-tile strategy)
  2. 网络初始化
    理想情况下,初始权重应该调整至网络中的feature map具有近似的单位方差。在本文中这个可以通过使用具有sqrt(2/N)的高斯分布去初始化权重。
    U/V-Net Brief_第4张图片

  3. 数据增广
    在数据集比较小的时候,为了让网络学到不变性和鲁棒性,使用数据增广是有必要的。对于显微镜图片,首先要保证平移旋转不变性,也要让畸变和灰度值保持鲁棒性。特别地,对训练集随机弹性畸变是数据增广的一个主要方面.
    U/V-Net Brief_第5张图片

  4. 能量函数
    根据最终的feature map计算出的soft-max,然后再结合weight map进行计算。
    U/V-Net Brief_第6张图片

  5. 其他参数

参数
momentum 0.99
Batch size Single Image
Framework Caffe

你可能感兴趣的:(U/V-Net Brief)