Paper | UNet++: A Nested U-Net Architecture for Medical Image Segmentation

目录

• 1. 故事
• 2. UNet++
• 3. 实验
  • 3.1 设置

作者的解读，讲得非常好非常推荐：https://zhuanlan.zhihu.com/p/44958351

这篇文章提出的嵌套U-Net结构，也是用于医学图像分割的。但理论上能用于广泛的视觉任务。

1. 故事

U-Net和FCN是应用最广泛的图像分割网络。它们的共同点是：短连接或短拼接，使得解码器可以分享来自编码器的浅层的、low-level的、细粒（fine-grained）的特征图。这种短连接对于恢复细粒度细节有益。甚至对于instance-level的分割，比如目标检测，这种U型结构也被成功应用于诸如Mask-RCNN结构上。Mask-RCNN甚至能处理被遮挡的目标。

但我们要提出一个问题：这种U型结构能不能更优化？因为对于医学图像而言，分割的细节和精度非常重要。

更进一步，作者希望能加强这种短连接结构。因为短连接能够有效地将 细粒度细节 与 语义丰富的特征图 结合。前者是从编码端获取的，后者是从解码端获取的。

2. UNet++

• 主干网络是可以任选的。

• 网络内部不仅有稠密连接，也保留了原U-Net的长距离连接。作者认为这很重要。这里作者所谓的connection其实是concat。横向看类似于dense block。

• U型看，该网络嵌套了不同scale级别的U-Net。作者在解读中说：既然我们不知道深度多少最好，我们干脆全都提供，让网络自己选择好了。

• 网络采用深监督，即每个输出都直接关联至损失函数。这样，我们可以在测试阶段实现剪裁效果。具体参见作者解读。这样，我们就可以在速度和精度上进行权衡，选择不同scale级别的U-Net。

3. 实验

3.1 设置

• Adam优化器，初始学习率为3e-4。

• UNet++是在U-Net的基础上改造的。

• loss是binary交叉熵和dice coefficient的组合。

实验结果略。是医学图像分割的实验结果。我们重点看看能否实现剪裁：

(b)是相对难的任务，参数越多，U-Net scale级别越高，性能越好。但在简单任务上，可以用很小的U-Net实现较好的效果。