UNet网络框架

Contracting Path (收缩路径)

作用：实现特征提取和降维，从输入图像中逐步捕获高层次的语义信息。可以看作是压缩图像的核心特征，逐层减少分辨率，但提取更抽象的特征。

Expansive Path (扩展路径)

作用：逐步融合高分辨率和低分辨率特征，生成与输入尺寸相同的输出，用于像素级任务（如语义分割）。类似于逐步放大特征，恢复图像分辨率，同时保留语义信息。

其中输入输出大小不同

箭头：

1.conv 3x3,ReLu：卷积层，卷积核大小是3x3，然后经过ReLu激活。

2.copy and crop：复制和裁剪，因为图中左侧往右侧拼接时候尺寸不同因此中心裁剪使图像size相同进行拼接

3.max pool 2x2：最大池化层，卷积核为2x2。

4.up-conv 2x2：转置卷积，详解：转置卷积（Transposed Convolution）-CSDN博客

5.conv 1x1 这里就是卷积层，卷积核大小是1x1。

channel：256        size：136×136

由于unet提出bn没有流行，所以现在主流：

1.conv 3x3,ReLu：卷积层，卷积核大小是3x3，添加bn层，然后经过ReLu激活。

2.会加padding使得最终输入输出大小相同，Expansive Path (扩展路径)每一步size都会相同可以直接拼接

对于高分辨率的图片会切割成patch

其中会有重叠部分这样会对边缘信息进行利用

黄色区域：表示当前需要进行分割预测的目标区域。输出分割结果只覆盖这个区域。

蓝色边界区域：表示为进行分割预测所需的输入数据范围。分割模型需要以蓝色区域为输入才能预测黄色区域的分割结果。

缺失数据的处理：对于蓝色边界外的缺失数据，采用镜像来填充，确保模型输入完整。

但如果不缺失数据不需要镜像填充

(a) 原始图像 (Raw Image):

(b) 叠加真实分割标注 (Overlay with Ground Truth Segmentation):人工标注

(c) 生成的分割掩膜 (Generated Segmentation Mask):

掩膜使用黑白表示：白色代表细胞区域（前景），黑色代表背景。此分割掩膜是分割模型的输出结果，用于描述每个像素是否属于细胞。

(d) 像素级损失权重图 (Pixel-wise Loss Weight Map):

红色区域（高权重）：集中在细胞边界处，用来迫使网络重点学习边界像素。

蓝色区域（低权重）：在细胞内部和背景区域权重较低。

作用：由于边界像素往往难以分割，通过加权方式让模型更加关注这些关键区域，从而提高边界分割的准确性。

详解：【U-Net网络结构讲解(语义分割)】https://www.bilibili.com/video/BV1Vq4y127fB?vd_source=faed798d49591a5777b139f1be75048b

原文地址：https://blog.csdn.net/qq_61706514/article/details/144374441

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！