Unet：U-Net: Convolutional Networks for Biomedical Image Segmentation语义分割模型在Pytorch当中的实现

性能情况

U-Net并不适合VOC此类数据集，其更适合特征少，需要浅层特征的医药数据集(CT-soil-rock-mixture)。

所需环境

• scipy==1.2.1
• numpy==1.17.0
• matplotlib==3.1.2
• opencv_python==4.1.2.30
• torch==1.2.0
• torchvision==0.4.0
• tqdm==4.60.0
• Pillow==8.2.0
• h5py==2.10.0

目前效果展示

训练过程损失变化曲线图：

训练数据集说明：

格式：VOC

U-Net

自2015年以来，在生物医学图像分割领域，U-Net得到了广泛的应用，目前已达到四千多次引用。

这个模型非常优雅，结构对称，全是卷积层，没有全连接。

因为这个网络使用更少的数据，取得更好的效果

所以我们修改并扩展这个网络。

全卷积网络其实就是一个不断缩小特征图的卷积神经网络，只不过后面的一些层中，将pooling层换为unsampling操作了。

为了使得分割结果更加精确，将高分辨率的特征图与与上采样后的低分辨率特征图进行合并。因此，分割结果就更加准确。

CT数据集特点

• 图像语义较为简单、结构较为固定。由于砾石结构固定和语义信息没有特别丰富，所以高级语义信息和低级特征都显得很重要。
• 数据量少。医学影像的数据获取相对难一些。所以我们设计的模型不宜多大，参数过多，很容易导致过拟合。

如何解决医学图像的数据非常少的问题？

• 所以需要使用大量的数据增强，意思是在不实质性的增加数据的情况下，让有限的数据产生等价于更多数据的价值。
• 数据增强：几何变换、噪声、模糊、填充、亮度等等。

如何解决目标粘连问题？

• 图像形态学操作？开运算，凸性分析…
• 使用一个加权loss,使细胞之间的缝隙有较大的训练权重，是否可行？

如何训练数据集

1. 本文使用VOC格式进行训练。
2. 使用lableme制作自己的数据集，将图片和json文件放在dataset/before中，运行json_to_dataset.py。
3. 训练前将标签文件放在VOCdevkit文件夹下的VOC2007文件夹下的SegmentationClass中。
4. 训练前将图片文件放在VOCdevkit文件夹下的VOC2007文件夹下的JPEGImages中。
5. 在训练前利用voc2unet.py文件生成对应的txt。
6. 注意修改train.py的num_classes为分类个数+1。
7. 运行train.py即可开始训练。

Reference

https://github.com/bubbliiiing/unet-pytorch

https://zhuanlan.zhihu.com/p/370931792

https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/

https://github.com/JlexZhong/pytorch-U-Net