U-net

图像分割

1.语义分割

逐像素点进行分类,具体而言对图像每个像素打上标签（如A部分是树，B部分是人）

2.实例分割

再进行细分，区分类别中的每一个个体。（如B部分有x,y人）

• 损失函数

1.逐像素的交叉熵：图像每个点进行分类
2.样本均衡问题：图像包含的每部分占的比例不同，加入权重
3.损失函数

• 评估指标MIOU

groudtruth与prediction之间的交并比，越接近1，越真实。

3.U-net

1. 整体架构
   
   tip

RGB图像一般存储为MxNx3的多维数据矩阵，而灰度图像才由二维数组表示。
RGB图像是三维

2. 具体说明
   

输入224x224x3的图像，逐像素点输出前景（人1）和背景信息（0非人），得到二分类图像224x224x2

3. 输入图像-输出图像

首先卷积+池化进行特征提取（下采样），然后上采样恢复图像大小。
简而言之就是编码（输入的图像）到解码（输出的图像）的过程。

拼接：网络中浅层的和深层的特征进行拼接

4. 基本思想

4.U-net++

1. 拼接

过浅层的网络和深层网络拼接不太理想，下采样后直接上采样，效果更好

2. 损失函数

最后使用损失函数评估改为多步使用损失函数