Интуиция за U-net против FCN для семантической сегментации

Я не совсем понимаю следующее:

В предлагаемом FCN для семантической сегментации Шелхамера и др. они предлагают пиксель Предсказание с точностью до пикселя для создания масок/точных местоположений объектов на изображении.

В слегка измененной версии FCN для сегментации биомедицинских изображений, основное отличие, по-видимому, заключается в «конкатенации с соответствующим образом обрезанной картой объектов из пути сокращения».

Теперь, почему эта функция имеет значение, особенно для биомедицинской сегментации? Основные отличия биомедицинских изображений от других наборов данных, которые я могу отметить, заключаются в том, что в биомедицинских изображениях нет такого богатого набора признаков, определяющих объект, как в обычных повседневных объектах. Также размер набора данных ограничен. Но вдохновлена ​​ли эта дополнительная функция этими двумя фактами или какой-то другой причиной?


artificial-intelligence neural-network semantic-segmentation image-segmentation convolutional-neural-network
person Jonathan    schedule 08.05.2018    source источник

Ответы (2)


arrow_upward
13
arrow_downward

FCN против U-Net:

ФКН

  1. Он увеличивает частоту только один раз. то есть он имеет только один слой в декодере
  2. Первоначальная реализация репозиторий github использует билинейную интерполяцию для повышения дискретизации свернутого изображения. То есть здесь нет обучаемого фильтра
  3. варианты FCN-[FCN 16s и FCN 8s] добавляют пропущенные соединения с нижних уровней, чтобы сделать выходные данные устойчивыми к изменениям масштаба.

Ю-Нет

  1. несколько слоев повышающей дискретизации
  2. использует пропуск соединений и конкатенацию вместо добавления
  3. использует обучаемые весовые фильтры вместо метода фиксированной интерполяции
person shasvat desai    schedule 18.06.2018
comment
По какой-то причине VGG16-FCN-8s (см. мое преобразование keras github.com/dmitryako/keras_fcn_8s) у меня работало намного лучше, т.е. я не мог добиться лучших результатов с U-Net. - person Dmitry Konovalov; 01.07.2018
comment
Здравствуйте, результаты будут зависеть от задачи, которую мы пытаемся выполнить, а также от набора данных, который мы используем. Было специально доказано, что U net хорошо работает с меньшим количеством [с методами увеличения данных]. По моему опыту, в идеале UNet дает лучшую производительность, потому что он имеет несколько уровней повышения дискретизации вместе с большим количеством пропусков соединений, что теоретически делает его более надежным для масштабирования по сравнению с FCN. Кстати, какую задачу вы выполняли и какой набор данных вы использовали. Также вы можете опубликовать ссылку на свои исследовательские работы здесь. - person shasvat desai; 02.07.2018

arrow_upward
1
arrow_downward

U-Net построен на статье FCN Дж. Лонга. Пара отличий заключается в том, что в исходной статье FCN использовалась половина декодера для повышения дискретизации классификации (т.е. вся вторая половина сети имеет глубину C - количество классов)

U-Net считает, что вторая половина находится в пространстве функций, и в конце проводит окончательную классификацию.

В этом нет ничего особенного для биомедицины ИМО.

person aivision2020    schedule 18.05.2018
comment
Вы правы, U-Net не является специально биомедицинским, он просто хорошо подходит для биомедицинских приложений, где важна точность (особенно по форме), и пропускное соединение U-Net очень помогает в этом. - person the-lay; 01.11.2019