U-Net网络结构详解：从原理到实现

U-Net网络结构详解：从原理到实现

引用

CSDN

1.

https://blog.csdn.net/m0_72800308/article/details/139095117

U-Net是一种经典的卷积神经网络架构，主要用于生物医学图像分割任务。其独特的编码器-解码器结构能够有效地提取图像特征并进行精确的像素级分类。本文将详细介绍U-Net的网络结构及其关键组件，并探讨其在实际应用中的改进和优化。

网络结构概述

U-Net的网络结构可以分为两个主要部分：编码器（Encoder）和解码器（Decoder）。编码器负责特征提取和下采样，解码器则通过上采样和特征融合生成最终的分割图。

• 编码器（Encoder）：对应U型结构的左半部分，主要通过卷积层和最大池化层进行特征提取和下采样。在论文中，这部分被称为收缩路径（contracting path）。
• 解码器（Decoder）：对应U型结构的右半部分，通过上采样和跳跃连接（skip connections）逐步恢复图像的空间分辨率。这部分被称为扩张路径（expanding path）。

详细结构分析

我们从输入开始逐步分析U-Net的网络结构：

输入层

以572×572的单通道图像为例（单通道的原因在于第一个长条上面标的是数字1）。

编码器部分

1. 卷积层：首先经过一个卷积层（蓝色箭头），卷积核大小为3×3，步长为1，padding为0。经过这个卷积层后，图像的高和宽会减小，变为570×570。接着再经过一个卷积层，变为568×568，通道数变为64。
2. 下采样：接着进行一个2×2的最大池化操作，图像的高和宽缩小为原来的一半，从568变为284，通道数保持不变，为64。
3. 重复卷积和下采样：重复上述卷积和下采样的过程，直到特征图的高和宽变为32，再经过两个3×3卷积层后，变为28，通道数变为1024。

解码器部分

1. 上采样：首先进行一个转置卷积（绿色箭头），这是一个上采样操作，高和宽变为原来的2倍，从28变为56，通道数减半，变为512。
2. 特征融合：在上采样后，通过一个灰色箭头表示的copy and crop操作，将左侧的特征图进行裁剪并与之拼接。例如，将64×64的特征图裁剪成56×56后与上采样后的特征图拼接，通道数变为1024。
3. 重复上采样和特征融合：重复上述上采样和特征融合的过程，直到特征图的高和宽变为388×388，通道数变为64。
4. 最终输出：最后通过一个1×1的卷积层（青蓝色箭头），将通道数调整为2，得到一个388×388×2的分割图。

现代实现的改进

现代实现中，U-Net的结构有一些改进：

1. 添加padding：在卷积层中添加padding，使得经过卷积层后图像的高和宽保持不变。
2. 加入BN层：在卷积层和ReLU之间加入Batch Normalization（BN）层，对输入张量的每个通道进行归一化操作。这种改进可以表示为conv+bn+relu的组合。

import torch.nn as nn

conv_bn_relu = nn.Sequential(
    nn.Conv2d(in_channels=2, out_channels=8, kernel_size=3, stride=1, padding=1),
    nn.BatchNorm2d(num_features=16),
    nn.ReLU()
)

论文中的图像说明

1. 输入输出区域：论文中的图2展示了输入和输出区域的关系。输入是蓝色框内的区域，输出是黄色框内的区域。对于边缘区域的处理，论文采用了镜像的原则，即以红色线为中心线对原图进行镜像处理。

2. 分割示例：论文中的图3展示了具体的分割示例：

• 图A：原始图像的灰度图
• 图B：人工标注的实例分割标签数据
• 图C：语义分割图
• 图D：热力图，显示细胞间区域的权重分布

总结

U-Net通过其独特的编码器-解码器结构，能够在保持空间分辨率的同时提取深层特征，特别适合于生物医学图像的精确分割任务。现代实现中的一些改进，如添加padding和BN层，进一步提升了网络的性能和稳定性。