U-net与FCN背后的直觉用于语义分割

Question

我不太了解以下内容：

在提议的FCN for Semantic Segmentation by Shelhamer et al中，他们提出了像素到像素预测，以构建图像中对象的掩模/精确位置。

在用于生物医学图像分割的FCN的略微修改版本U-net中，主要区别似乎是“与合同路径中相应裁剪的特征图串联”。

现在，为什么这个功能特别适用于生物医学细分？我可以指出生物医学图像与其他数据集的主要区别在于，在生物医学图像中，没有像常见的每日对象那样定义对象的丰富功能集。此外，数据集的大小也是有限的。但这个额外的功能是受这两个事实还是其他原因的启发？

Answer 1

FCN vs U-Net：

FCN

1. 只上传一次。即它在解码器中只有一层
2. 原始实现github repo使用双线性插值来对卷积图像进行上采样。那就是这里没有可学习的过滤器
3. FCN- [FCN 16s和FCN 8s]的变体添加来自较低层的跳过连接，以使输出对比例变化具有鲁棒性

U形网络

1. 多个上采样层
2. 使用跳过连接和连接而不是添加
3. 使用可学习的重量滤镜代替固定插值技术

Answer 2

U-Net建立在J. Long的FCN论文之上。两个不同之处在于原始FCN论文使用​​解码器的一半来对分类进行上采样（即整个网络的后半部分是深度C - 类的数量）

U-Net认为下半部分处于特征空间，并在最后进行最终分类。

对生物医学IMO而言，没有什么特别之处