基于U-net和FCN的语义切分方法

Question

我不太明白以下几点：

在提议的基于Shelhamer等人的FCN语义分割中，他们提出了一个像素对像素的预测，以构造图像中对象的掩码/精确位置。

在用于生物医学图像分割的略为修改的FCN版本( U-网 )中，主要的区别似乎是“与订约路径中相应裁剪的特征映射相连接”。

现在，为什么这个特性对生物医学分割特别有影响呢？我可以指出的生物医学图像与其他数据集的主要区别是，在生物医学图像中，定义对象的功能不像普通的日常对象那样丰富。数据集的大小也是有限的。但是，这个额外的特性是由这两个事实还是其他原因所激发的呢？

Answer 1

FCN诉U-Net：

FCN

1. 它只上升一次。也就是说，它在解码器中只有一个层。
2. 原实现github回购采用双线性插值方法对卷积图像进行过采样。也就是说这里没有可学习的过滤器
3. FCN-FCN 16s和FCN 8s的变体添加来自较低层的跳过连接，以使输出对缩放更改具有鲁棒性。

U-网

1. 多个上采样层
2. 使用跳过连接和连接，而不是叠加。
3. 使用可学习的加权滤波器代替固定的插值技术

Answer 2

U-Net是建立在J.Long的FCN论文之上的。两个不同之处在于，原始的FCN文件使用解码器的一半来对分类进行抽样(即整个网络的下半部分是深度c数的类)。

U认为下半场是在特征空间，并在最后进行最终的分类。

它对生物医学来说没有什么特别的。