目录

一、背景

二、问题

三、解决问题

1. 跳跃连接

2. 深监督

四、UNet++网络结构

一、背景

        最先进的图像分割模型是像FCN、U-Net一样，是编码层-解码层结构的变种。这种encoder-decoder结构有一个相同点：都有跳跃连接，将来自解码层的深的、语义的、粗粒度的特征图与来自编码层的浅的、低级的、细粒度的特征图进行组合。跳跃连接也被证实能恢复目标的细粒度信息。这些U型的网络结构在自然图像上获得了不错的分割性能。

二、问题

        医学图像和自然图像不一样，是用在临床上的，需要更加精确的分割精度。所以作者就提出了需要提高encoder-decoder的分割精确度，用于医学图像分割上。

        U-Net的跳跃连接，是直接在同层之间，将来自encoder的特征图与decoder的特征图进行了拼接，作者发现encoder的特征图与decoder的特征图内容差距太大，也就是作者提出的gap，将信息量差距大的特征图进行组合，组合后的特征图也会缺少一些细粒度信息。

三、解决问题

        由于跳跃连接能够使分割目标恢复到细粒度程度，当时U型结构又很火，所以作者在U型结构上创新了跳跃连接，增加了深监督。

1. 跳跃连接

        为了U-Net的跳跃连接中，两个相连的特征图的差异性，作者在跳跃连接路径中加了一系列的卷积层，构成了一个稠密的跳跃连接路径，卷积层的数量根据金字塔规律确定。每个卷积层都会和同层中，它之前的卷积层进行跳跃连接，以及它的左下方的卷积层进行上采样后得到的特征图进行组合。这样的操作就降低了同层中，encoder的特征图与decoder的特征图之间的差异性。

2. 深监督

        在UNet++的最上面的卷积层X01, X02, X03, X04各增加了深监督，也就是每个卷积层都使用了损失函数进行计算，最后将四个损失值取平均，作为最后的损失值。

四、UNet++网络结构

图1 UNet++ 的网络结构

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！