如何理解Tensorflow中的DC-VNet

发布时间：2021-11-17 09:58:55 来源：亿速云阅读：228 作者：柒染栏目：大数据

如何理解Tensorflow中的DC-VNet，针对这个问题，这篇文章详细介绍了相对应的分析和解答，希望可以帮助更多想解决这个问题的小伙伴找到更简单易行的方法。

一、原始Unet网络

1、原始Unet有一些缺陷。文章作者因此提出了的改进Unet的DC-Unet（双通道Unet），主要从两个方面来设计的，一个是设计了高效的CNN结构取代Unet中的编码器和解码器，第二个是用残差模块取代编码器与解码器之间的跳跃连接。相对于原始Unet结果，在三个数据上结果分别提升了2.9%，1.49%和11.42%的精度。

2、 Unet经典结构

由卷积层，池化层，上采样样层，跳跃连接层构成。

二、 MultiResUNet网络

1.1、采用不同大小的卷积核来替换原始Unet的卷积来提取特征，然后再将不同卷积的结果进行拼接连接，实现不同图像尺度的特征融合到一起。如下图所示，为了减少通道个数，从而减少参数计算，通过1x1卷积来减少维度，如下图所示。

论文中作者对上述Inception模块进行了简化，可以通过一系列相同卷积操作组合达到不同大小卷积核计算效果，然后将不同卷积计算结果进行拼接完成不同尺度特征的拼接融合，如下图b所示。此外，作者还增加残差连接到Inception模块中去，如下图c所示。

2.2、Unet中跳跃连接模块替换成残差路径连接，如下图所示，该模块输入是解码网络的输出，经过四个3x3的残差连接卷积操作，最后再与编码网络的输出进行拼接。

2.3、具有多尺度残差模块和残差路径的MultiResUnet结构如下所示。每个多尺度残差网络的卷积核大小及个数是3个3x3和1个1x1，特征通道个数每一个模块不一样，具体可以看表1。残差路径的卷积核大小是多个3x3和1x1模块的叠加，从下图可以看到模块中3x3和1x1的残差模块的个数分别是4，3，2，1。具体可以看表格1。

三、 DC-UNet网络

针对MultiResUnet模型提出更有效的网络结构来提取更多空间特征。为了克服无效空间特征的问题，采用多个通路的3个3x3卷积层代替MultiRes模块中的残差连接。论文作者在双通道模块中采用了2个通路的3个3x3卷积层，最后将这两个通路的结果线性相加输出。如下图所示。

具有双通道模块和残差路径的DC-Unet结构如下所示。每个双通道模块的卷积核大小都是3x3大小，特征通道个数每一个模块不一样，具体可以看表2。残差路径的卷积核大小是多个3x3和1x1模块的叠加，从下图可以看到模块中3x3和1x1的残差模块的个数分别是4，3，2，1。具体可以看表格2。

四、训练细节

预处理将图像统一到256x128大小，并将图像从16位数据格式转换到8位数据格式。采用二值交叉熵损失函数，优化器采用Adam及其默认参数。

五、评价指标

由于输出的图像是0到1的数值，可以采用二值的比较方法：jaccard相似性即IOU。可以采用灰度的比较方法：绝对值平均误差（MAE），Tanimoto相似性（jaccard相似性的扩展衍生），结构相似性（SSIM）。

六、结果对比

在三个数据集上对比了UNet，MultiResUNet和DC-UNet，不管从客观评价指标还是主管视觉上，DC-Unet的结果都是最好的。

关于如何理解Tensorflow中的DC-VNet问题的解答就分享到这里了，希望以上内容可以对大家有一定的帮助，如果你还有很多疑惑没有解开，可以关注亿速云行业资讯频道了解更多相关知识。

向AI问一下细节

如何理解Tensorflow中的DC-VNet

猜你喜欢

最新资讯

相关推荐

相关标签