Unet实验结果

实验报告

本次实验采用30张细胞图片,根据原图Images和分割图Labels,使用Unet网络,对细胞图片进行语义分割。效果如下

网络结构

采用网络结构如下:

Unet实验结果_第1张图片

其中对上采样,下采样,卷积的详细计算如下:

Unet实验结果_第2张图片

总结反思

查阅2015年Unet原论文,我们能够发现作者采用的是padding=0的卷积层,并且最终是由输入大小为572x572的图片,输出为388x388的图片,在实验中缺少的像素点使用边缘镜像的方式得到,这样的话有些像素点是猜想的,必然会引起误差。下为原论文Unet网络结构

Unet实验结果_第3张图片

查阅github上多种有关Unet的代码,我们能够发现大家更偏向于使用padding=1的卷积层,这样根据特征矩阵大小计算公式(W - 3 + 2)/1 + 1 = W,所以输出特征矩阵和输入特征矩阵的大小相同,且不用是用边缘镜像的方式得到缺少的像素点。最终我们输入480x480的图片,得到480x480的图片,网络结构如下:

Unet实验结果_第4张图片

三图对比

分别是原图Images,原分割图Labels,实验分割图。

Loss值为0.006136618554592133。

原图Images

Unet实验结果_第5张图片

原分割图Labels

Unet实验结果_第6张图片

实验得到的分割图

Unet实验结果_第7张图片

你可能感兴趣的:(人工智能,深度学习,人工智能)