前言 UNet 能够算是 FCN 的一种变体，是最常用、最简单的一种切割模型，简单、高效、易懂、容易构建，且能够从小数据会集练习。
Transformer、方针检测、语义切割沟通群
欢迎重视大众号CV技能攻略，专注于计算机视觉的技能总结、最新技能盯梢、经典论文解读、CV招聘信息。
【百篇论文阅览计划】新晋级!
转载自 DeepHub IMBA
2015 年，UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。**UNet 的初衷是为了解决医学图画切割的问题，在解决细胞层面的切割的使命方面，其在 2015 年的 ISBI cell tracking 竞赛中获得了多个榜首。**之后，UNet 凭仗其突出的切割作用而被广泛使用在语义切割的各个方向（如卫星图画切割，工业瑕疵检测等）。
现在已经是2022年了，咱们看看现在来说Unet在2022年又有什么新的研讨，如果你对Unet不熟悉，请先看：
paperswithcode.com/method/u-ne…
1、Quantifying U-Net Uncertainty in Multi-Parametric MRI-based Glioma Segmentation by Spherical Image Projection
Zhenyu Yang, Kyle Lafata, Eugene Vaios, Zongsheng Hu, Trey Mullikin, Fang-Fang Yin, Chunhao Wang
arxiv.org/pdf/2210.06…
本文开发了一种根据多参数MRI (MP-MRI)球面投影的神经胶质瘤切割U-Net不确定度量化办法。论文提出的根据球形投影的U-Net (SPU-Net)切割模型规划中结合图画转换，能够对单个MRI获得多个切割猜测。最后的切割是一切猜测的平均值，其变化能够用不确定度图表示。SPU-Net模型使用于369例经MP-MRI扫描的胶质瘤患者。
三种SPU-Nets分别练习为片段增强肿瘤(ET)、肿瘤核心(TC)和全肿瘤(WT)。在切割精度(Dice系数)和不确定度(不确定度图和不确定度评分)方面，将SPU-Net与(1)带有测验时增强(TTA)的经典U-Net和(2)根据线性标准的U-Net进行比较。成果:SPU-Net对正确的切割猜测(如肿瘤内部或健康组织内部)具有低不确定度，对过错的成果(如肿瘤边界)具有高不确定度。该模型能够识别U-Net中遗失的肿瘤靶点或切割过错。
SPU-Net在3个指标(ET/TC/WT)上获得了最高的不确定度分数:0.826/0.848/0.936，比较之下，带TTA的U-Net为0.784/0.643/0.872,LSU-Net为0.743/0.702/0.876。SPU-Net还获得了统计上显著更高的Dice系数。能够说:SPU-Net在进步胶质瘤切割精度的一起，为量化胶质瘤切割的不确定性供给了强有力的东西。该办法可推广到其他与医学图画相关的深度学习使用中，用于不确定度评价
2、Scale Equivariant U-Net
Mateus Sangalli, Samy Blusseau, Santiago Velasco-Forero, Jesus Angulo
arxiv.org/pdf/2210.04…
在神经网络中，当数据中存在相应的对称性时，卷积的平移等变功能够进步泛化才能。特别是把标准等变网络用于计算机视觉使命时，其中相同类别的对象出现在不同的标准上，就像在大多数语义切割使命中一样。最近，已经提出了与缩放和平移等效的卷积层。可是下采样和上采样的等方差性却从未被明确研讨过，虽然它们是某些切割架构中必要的构建块。
本文介绍了 Scale Equivariant U-Net (SEU-Net)，这是一种经过使用下采样和上采样层以及使用上述标准等变层，使其对标准和平移的近似等效。论文还提出了一个 scale-dropout，以进步在近似等标准架构中对不同标准的泛化才能。提出的 SEU-Net 被练习用于 Oxford Pet IIIT 的语义切割和用于细胞切割的 DIC-C2DH-HeLa 数据集。与 U-Net 比较，对看不见的标准的泛化度量得到了明显改善。在 Pet 试验中，scale-dropout 能够更好地泛化标准等变模型，但在细胞切割试验中没有进步。
3、Analysis of the performance of U-Net neural networks for the segmentation of living cells
Andr O. Franani
在单细胞盯梢和量化方面，显微镜图画的自动剖析是一项挑战。这项工作的方针是研讨用于切割显微镜图画的深度学习的功能。根据卷积神经网络的深度学习技能，已使用于细胞切割问题，并显示出高精度和快速功能。为了执行图画切割，论文对超参数进行了剖析，建立了不同的模型以优化网络的巨细和可学习参数的数量。
4、Sauron U-Net: Simple automated redundancy elimination in medical image segmentation via filter pruning
Juan Miguel Valverde, Artem Shatillo, Jussi Tohka
arxiv.org/pdf/2209.13…
论文提出了一种滤波器修剪办法Sauron，经过丢掉相应的滤波器自动调整的层特定阈值来消除冗余的特征映射。Sauron最小化了正则化项，促进了特征映射簇的形成。与大多数滤波器修剪办法比较，Sauron是单相的，类似于典型的神经网络优化，需要更少的超参数。
此外与其他根据集群的办法不同该办法不需要预先选择簇的数量，因为这是不容易确定的，而且在不同层之间是不同的。论文在三个医学图画切割使命中评价了Sauron和三种最先进的滤波修剪办法。Sauron得到的模型与其他几种修剪办法比较具有更高的修剪功能和修剪率。由于Sauron在练习过程中删除了过滤器，它的优化会随着时刻的推移而加快。
Sauron代码：
github.com/jmlipman/Sa…
5、The Development of Spatial Attention U-Net for The Recovery of Ionospheric Measurements and The Extraction of Ionospheric Parameters
Guan-Han Huang, Alexei V. Dmitriev, Chia-Hsien Lin, Yu-Chi Chang, Mon-Chai Hsieh, Enkhtuya Tsogtbaatar, Merlin M. Mendoza, Hao-Wei Hsu, Yu-Chiang Lin, Lung-Chih Tsai, Yung-Hui Li
论文练习了一个深度学习的人工神经网络模型Spatial Attention U-Net，该模型用于从雷达信号中别离电离层信号。这个方向很专业，有爱好的看看论文吧。
6、An evaluation of U-Net in Renal Structure Segmentation
Haoyu Wang, Ziyan Huang, Jin Ye, Can Tu, Yuncheng Yang, Shiyi Du, Zhongying Deng, Chenglong Ma, Jingqi Niu, Junjun He
扫描血管造影（CTA）的肾脏结构切割对于许多计算机辅佐肾癌医治使用至关重要。Kidney PArsing~(KiPA 2022) Challenge 旨在构建细粒度的多结构数据集并改善多个肾脏结构的切割。 在 KiPA 挑战中，论文评价了几个 U-Net 变体，并为最终提交选择了最佳模型。
欢迎重视大众号CV技能攻略，专注于计算机视觉的技能总结、最新技能盯梢、经典论文解读、CV招聘信息。
【技能文档】《从零搭建pytorch模型教程》122页PDF下载
QQ沟通群：444129970。群内有大佬负责回答大家的日常学习、科研、代码问题。
模型布置沟通群：732145323。用于计算机视觉方面的模型布置、高功能计算、优化加快、技能学习等方面的沟通。
其它文章
用少于256KB内存完成边缘练习，开支不到PyTorch千分之一
PyTorch 2.0 重磅发布：一行代码提速 30%
Hinton 最新研讨：神经网络的未来是前向-前向算法
聊聊计算机视觉入门
FRNet：上下文感知的特征强化模块
DAMO-YOLO | 超越一切YOLO，统筹模型速度与精度
《医学图画切割》总述，胪陈六大类100多个算法
怎么高效完成矩阵乘？万文长字带你从CUDA初学者的角度入门
近似乘法对卷积神经网络的影响
BT-Unet:医学图画切割的自监督学习框架
语义切割该怎么走下去？
轻量级模型规划与布置总结
从CVPR22出发，聊聊CAM是怎么激活咱们文章的热度！
入门必读系列（十六）经典CNN规划演化的关键总结：从VGGNet到EfficientNet
入门必读系列（十五）神经网络不work的原因总结
入门必读系列（十四）CV论文常见英语单词总结
入门必读系列（十三）高效阅览论文的办法
入门必读系列（十二）池化各要点与各办法总结
TensorRT教程（三）TensorRT的装置教程
TensorRT教程（一）初次介绍TensorRT
TensorRT教程（二）TensorRT进阶介绍
计算机视觉中的高效阅览论文的办法总结
计算机视觉中的神经网络可视化东西与项目
计算机视觉中的transformer模型创新思路总结
计算机视觉中的传统特征提取办法总结
计算机视觉中的数据预处理与模型练习技巧总结
计算机视觉中的图画标注东西总结
计算机视觉中的数据增强办法总结
计算机视觉中的注意力机制技能总结
计算机视觉中的特征金字塔技能总结
计算机视觉中的池化技能总结
计算机视觉中的高效阅览论文的办法总结
计算机视觉中的论文创新的常见思路总结
神经网络中的归一化办法总结
神经网络的初始化办法总结
