Tensorflow教程第43集：如何实现DoubleU-Net？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1166个文字，预计阅读时间需要5分钟。
今天将分享Unet的改进模型DoubleU-Net。该改进模型源自2020年的论文《A+Deep+Convolutional+Neural+Network+for+Medical+Image+Segmentation》，简单说明了给专家分析该模型思路。1、DoubleU-Net网络优势+
今天将分享Unet的改进模型DoubleU-Net，改进模型来自2020年的论文《A Deep Convolutional Neural Network for Medical Image Segmentation》，简单明了给大家分析理解该模型思想。
1、DoubleU-Net网络优点
不同的医学应用中设计强大的鲁棒性和泛化能力的网络结构是很重要的。论文提出的结构是使用修改的Unet和VGG-19，VGG-19只用在网络编码部分。使用VGG-19的原因是（1）、相比于其它预训练模型其是轻量级模型，（2）、VGG-19与Unet结构很相似，很容易与Unet进行拼接，（3）、允许更深的网络来产生更好的分割结果。
主要贡献点：
（1）、提出的DoubleUNet结构来语义分割，所提出的结构依次使用两个U-Net结构，也就是两个编码器和两个解码器。网络中第一个编码器是预训练的VGG-19，它在ImageNet上训练。另外，使用空洞空间金字塔池化（ASPP）。结构的其余部分是从头开始构建的。
（2）、在多个数据集上进行实验，结果显示了所提出算法的强于其他算法。在四个不同的医学影像数据集上进行了实验，两个不同结肠镜检查数据，皮肤镜检查和显微镜数据。
本文共计1166个文字，预计阅读时间需要5分钟。
今天将分享Unet的改进模型DoubleU-Net。该改进模型源自2020年的论文《A+Deep+Convolutional+Neural+Network+for+Medical+Image+Segmentation》，简单说明了给专家分析该模型思路。1、DoubleU-Net网络优势+
今天将分享Unet的改进模型DoubleU-Net，改进模型来自2020年的论文《A Deep Convolutional Neural Network for Medical Image Segmentation》，简单明了给大家分析理解该模型思想。
1、DoubleU-Net网络优点
不同的医学应用中设计强大的鲁棒性和泛化能力的网络结构是很重要的。论文提出的结构是使用修改的Unet和VGG-19，VGG-19只用在网络编码部分。使用VGG-19的原因是（1）、相比于其它预训练模型其是轻量级模型，（2）、VGG-19与Unet结构很相似，很容易与Unet进行拼接，（3）、允许更深的网络来产生更好的分割结果。
主要贡献点：
（1）、提出的DoubleUNet结构来语义分割，所提出的结构依次使用两个U-Net结构，也就是两个编码器和两个解码器。网络中第一个编码器是预训练的VGG-19，它在ImageNet上训练。另外，使用空洞空间金字塔池化（ASPP）。结构的其余部分是从头开始构建的。
（2）、在多个数据集上进行实验，结果显示了所提出算法的强于其他算法。在四个不同的医学影像数据集上进行了实验，两个不同结肠镜检查数据，皮肤镜检查和显微镜数据。