Pytorch實作系列 — UNet

UNet是由Ronneberger et al.(2015, 弗萊堡大學)在 U-Net: Convolutional Networks for Biomedical Image Segmentation 提出，作為醫學領域上常用的分割網路。根據論文內容，可以使用少樣本學習、處理高解析度影像、特別是針對醫療影像的切割。

資料集

PASCAL VOC，一個在電腦視覺界與COCO齊名的資料集。包含許多不同的電腦視覺任務的標記。

網路架構

損失函數

採用 Cross Entropy loss。

訓練

如同多分類任務。

評估

訓練十個回合後

筆記

對於原本的論文，有幾點疑惑

1. 作者使用沒有 padding 的卷積操作，不知道是怎麼將output與label對齊。
2. 作者提到結合下採樣時要進行copy and crop，但沒提crop的內容。
3. 很多技巧的細節沒講Orz。

實作的差異

1. 沒有加入針對醫療影像的技巧，如 overlap-tile strategy, weighted cross entropy(separation border)
2. 沒有使用的訓練技巧，如 data augmentation
3. 以及疑惑的兩點。
4. 使用頻率的倒數作為 cross entropy 的加權

代碼連結

gitE0Z9/classical-network-series

參考

GitHub - milesial/Pytorch-UNet: PyTorch implementation of the U-Net for image semantic segmentation…

PyTorch for Beginners: Semantic Segmentation using torchvision