模型简介

这篇论文《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》是2018年6月的文章，DLMIA2018会议。文章对Unet改进的点主要是skip connection。UNET利用卷积网络的典型利用是在分类任务，输出任务的单个类标签。然而，在许多视觉任务，尤其是生物医学图像处理，目标输出应该包括定位等，每个像素都应该有类标签。另外，大量的训练图片往往超过生物医学图像的任务要求。所以，Ciresan等训练了一个神经网络，用滑动窗口来预测每个像素的类标签，提供像素的周围区域（patch）作为输入。首先，这个网络可以定位。其次它输入的是patches，这样训练数据就比图片数据多很多。 它有效卷积增加了模型设计的难度和普适性；目前很多算法直接采用了same卷积，这样也可以免去Feature Map合并之前的裁边操作.论文地址：https://arxiv.org/pdf/1807.10165.pdf

• 1. 使用方法

  • 1.3. 模型训练

• 2. 模型来源

1. 使用方法

1.1. 模型训练

通过enter+shift快捷键运行binary_segmentation.ipynb/car_segmentation.ipynb文件

注：

1、文件包含训练和测试步骤

2、运行结束后会自动展现可视化图像

2. 模型来源

https://github.com/qubvel/segmentation_models.pytorch