[U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation

Abstract

生物学会议ICMICCAI 2015相关的文章,主要是针对生物学影像进行分割。本论文考虑到医学影像往往比较少,而深度学习通常需要大量的图像。因此本文提出采用很强的数据增强提高数据的利用效率;提出U型网络模型——近似对称的Conv + Deconv.最终在三个生物学数据集上达到了当时最好的性能。

Movitation

当今生物影像分割的数据太少,现有的滑动窗口的做法消耗时间长,针对这个问题提出了U-Net

Framework

[U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation_第1张图片
本文主要针对的是两个问题进行处理

  • 一个数据少,解决方法是使用覆盖砖块的策略,如下图

    和数据增强方法,数据增强使用弹性变形的方法,通过在一个3*3的粗糙网格中使用一个随机位移向量产生一个平滑的变形,位移量从高斯分布中取样,高斯分布有十个像素的标准差,每个像素的偏移通过bicubic interpolation获得.

  • 另一个问题是相同物体的间隙不容易分割出来,采用加权的策略
    3
    [U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation_第2张图片

Result

三个数据集上的最好的结果,分别是电子显微镜影像和光学显微镜影像

[U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation_第3张图片

Thinking

  • 本文在初始化的时候强调使用Gaussian distribution with a standard deviation of sqrt(2/N),这个地方不太理解?
  • 本文的实验比较少,没有和其他现有的deeplearning(e.g., FCN)等进行比较
  • 网络结构上创新不大,重点是数据增强方法

Others

Official Code: http://lmb.informatik.uni-freiburg.de/people/ronneber/u-net

  • 运行遇到问题导致无法运行
    • 测试环境如下
      • ubuntu 16.04
      • matlab 2016b
    • 遇到的问题如下
      [U-Net] U-Net: Convolutional Networks for Biomedical Image Segmentation_第4张图片
      从问题看,像是caffe.mexa64中存在什么问题,可惜没有详细的文档,暂时无法解决这个问题.后续尝试使用其他框架的unet来学习其思想.

你可能感兴趣的:(Semantic,Segmentation,图像语义分割论文)