U-Net 和 ResNet:長短跳躍連接的重要性(生物醫學圖像分割)
本文為 AI 研習社編譯的技術博客,原標題 :
Review: U-Net+ResNet — The Importance of Long & Short Skip Connections (Biomedical Image Segmentation)
作者 | SH Tsang
翻譯 | 斯蒂芬二狗子
校對 | 醬番梨 審核 | 約翰遜·李加薪 整理 | 立魚王
原文鏈接:
https://medium.com/datadriveninvestor/review-u-net-resnet-the-importance-of-long-short-skip-connections-biomedical-image-ccbf8061ff43
這次,我們來聊一聊用於生物醫學圖像分割的的一種全卷積神經網路,這個網路帶有長短跳躍連接。
上次,我已經回顧了 RoR (ResNet of ResNet, Residual Networks of Residual Networks)(這是2018年的TCSVT論文,如果有興趣,請訪問我的評論。)在RoR中,通過使用長短跳躍連接,圖像分類準確性得到提高。實驗結果證明了使用長短跳躍連接的有效性。
這一次,作者還提供了一種通過分析網路中的權重來展示其有效性的方法,而不僅僅是展示實驗結果。
儘管這項工作的目的是進行生物醫學圖像分割,但通過觀察網路內的權重,我們可以更好地理解長短跳躍連接。它發佈於2016年DLMIA(醫學圖像分析中的深度學習),引用次數超過100次。 (SH Tsang @ Medium)
電子顯微鏡(Electron Microscopy,EM)圖像分割
文章概要ResNet中的Skip連接,跳躍連接
長和短的跳躍連接
損失函數
結論
權重分析
1.ResNet中的跳躍連接
ResNet 建立的模塊
在ResNet中,使用連續的ResNet網路構建模塊。
僅使用短跳躍連接。並且沒有長連接。
2.長和短的跳躍連接
(a)具有長跳躍連接 的ResNet,(b)Bottleneck塊,(c)Basic塊,(d)Simple塊。 (藍色:可選下採樣,黃色:可選上採樣)
(a)具有長跳躍連接的殘差網路
下採樣(藍色):這是一個收縮路徑。
上採樣(黃色):這是一個不斷擴展的路徑。
這是一種類似U-Net的FCN架構。
從收縮路徑到擴展路徑有很長的跳躍連接。
(b) Bottleneck Block
用1x1Conv-3x3Conv-1x1Conv這樣的結構,因此它被稱為瓶頸。它已經在ResNet中使用。
在每個Conv之前使用BN-ReLU,這是來自Pre-ResNet的idea。
(c) Basic Block
兩個3x3Conv,同樣ResNet使用過
(d) Simple Block
一個3x3Conv
(b)-(d)
所有塊都包含短跳躍連接。
詳細的模型架構說明
3.損失函數考慮了2種損失函數
3.1. 二元交叉式損失函數
標準的交叉熵損失函數
3.2. Dice Loss
Dice Loss是生物醫學圖像分割的另一種常見損失函數。
4.結果
4.1數據集
訓練集:30個電子顯微鏡(EM)圖像,大小為512×512。 25個圖像用於訓練,留5個圖像進行驗證。
測試集:另外30張圖片。
圖像是全解析度輸入到網路。
沒有後處理步驟。
4.2 長和短的跳躍連接
隨著epoches的損失/準確性:(a)長和短連接,(b)僅短,(c)僅長
最好的損失值
如上所述,在上述3種設置中,同時使用長和短連接可以獲得最小的損耗或最高的精度。
4.3 與最先進的方法進行比較
ISBI EM分割挑戰
(http://brainiac2.mit.edu/isbi_challenge/)
在ISBI EM分段挑戰中,Vrand和Vinfo值用於排名評估。
前景限制Rand評分值:它是Rand分割分數得分和Rand合併得分的加權和的均值。分割和合併分數可以被解釋為精度,並且在像素對的分類中被看為屬於相同的分割(正類)或不同的分割(負類)。
資訊理論評分Vinfo:資訊理論分割得分和信息理論合併得分的加權和的均值。它是互信息(MI)的衡量標準,可作為Rand評分的替代方案。
兩個指標的細節:https://www.frontiersin.org/articles/10.3389/fnana.2015.00142/full
所提出的方法(表格底部)與CUMedVision和U-Net相當。雖然它有點遜色,但提出的方法不使用任何後處理步驟,這是一種端到端的學習解決方案。
:權重分析
(a)長短跳躍連接,(b)只有9次重複簡單塊的長連接,(c)只有3次重複簡單塊的長連接,(d)只有7次重複簡單塊的長連接沒有BN。
藍色: 小權重值
紅色: 大權重值
(a)長/短跳躍連接
當存在長跳過連接和短跳過連接時,參數更新似乎分布均勻。
(b)只有9次重複簡單塊的長連接
當刪除短連接時,網路的深層部分幾乎沒有更新。
當保留長連接時,至少可以更新模型的淺層部分。
(c)只有3次重複簡單塊的長連接
當模型足夠淺,可以很好地更新所有圖層。
(d)只有7次重複簡單塊的長連接沒有BN
沒有批量規範化BN的網路對網路中心的更新減少了。
在關於權重分析進行總結,由於梯度消失問題(通過短跳過連接減輕),更靠近模型中心的層不能有效地更新。
參考
[2016] [DLMIA]The Importance of Skip Connections in Biomedical Image Segmentatio
想要繼續查看該篇文章相關鏈接和參考文獻?
點擊【U-Net 和 ResNet:長短跳躍連接的重要性(生物醫學圖像分割)】或長按下方地址:
https://ai.yanxishe.com/page/TextTranslation/1525
AI研習社今日推薦:雷鋒網雷鋒網雷鋒網
卡耐基梅隆大學 2019 春季《神經網路自然語言處理》是CMU語言技術學院和計算機學院聯合開課,主要內容是教學生如何用神經網路做自然語言處理。神經網路對於語言建模任務而言,可以稱得上是提供了一種強大的新工具,與此同時,神經網路能夠改進諸多任務中的最新技術,將過去不容易解決的問題變得輕鬆簡單。
加入小組免費觀看視頻:https://ai.yanxishe.com/page/groupDetail/33
※斯坦福大學陳丹琦等人解讀機器閱讀最新進展:超越局部模式匹配
※OpenI 啟智新一代人工智慧開源開放平台盛大發布
TAG:雷鋒網 |