U-Net在2022年相關研究的論文推薦_CV技術指南

前言 UNet 可以算是 FCN 的一種變體，是最常用、最簡單的一種分割模型，簡單、高效、易懂、容易構建，且可以從小資料集中訓練。

歡迎關注公眾號CV技術指南，專注於計算機視覺的技術總結、最新技術跟蹤、經典論文解讀、CV招聘資訊。

轉載自 DeepHub IMBA

2015 年，UNet 在論文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出。UNet 的初衷是為了解決醫學影象分割的問題，在解決細胞層面的分割的任務方面，其在 2015 年的 ISBI cell tracking 比賽中獲得了多個第一。之後，UNet 憑藉其突出的分割效果而被廣泛應用在語義分割的各個方向（如衛星影象分割，工業瑕疵檢測等）。

現在已經是2022年了，我們看看現在來說Unet在2022年又有什麼新的研究，如果你對Unet不熟悉，請先看：

https://paperswithcode.com/method/u-net

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

https://arxiv.org/pdf/2210.06512

本文開發了一種基於多引數MRI (MP-MRI)球面投影的神經膠質瘤分割U-Net不確定度量化方法。論文提出的基於球形投影的U-Net (SPU-Net)分割模型設計中結合影象轉換，可以對單個MRI獲得多個分割預測。最後的分割是所有預測的平均值，其變化可以用不確定度圖表示。SPU-Net模型應用於369例經MP-MRI掃描的膠質瘤患者。

三種SPU-Nets分別訓練為片段增強腫瘤(ET)、腫瘤核心(TC)和全腫瘤(WT)。在分割精度(Dice係數)和不確定度(不確定度圖和不確定度評分)方面，將SPU-Net與(1)帶有測試時增強(TTA)的經典U-Net和(2)基於線性尺度的U-Net進行比較。結果:SPU-Net對正確的分割預測(如腫瘤內部或健康組織內部)具有低不確定度，對錯誤的結果(如腫瘤邊界)具有高不確定度。該模型可以識別U-Net中遺漏的腫瘤靶點或分割錯誤。

SPU-Net在3個指標(ET/TC/WT)上獲得了最高的不確定度分數:0.826/0.848/0.936，相比之下，帶TTA的U-Net為0.784/0.643/0.872,LSU-Net為0.743/0.702/0.876。SPU-Net還獲得了統計上顯著更高的Dice係數。可以說:SPU-Net在提高膠質瘤分割精度的同時，為量化膠質瘤分割的不確定性提供了強有力的工具。該方法可推廣到其他與醫學影象相關的深度學習應用中，用於不確定度評估

2、Scale Equivariant U-Net

Mateus Sangalli, Samy Blusseau, Santiago Velasco-Forero, Jesus Angulo

https://arxiv.org/pdf/2210.04508

在神經網路中，當資料中存在相應的對稱性時，卷積的平移等變性可以提高泛化能力。特別是把尺度等變網路用於計算機視覺任務時，其中相同類別的物件出現在不同的尺度上，就像在大多數語義分割任務中一樣。最近，已經提出了與縮放和平移等效的卷積層。但是下采樣和上取樣的等方差性卻從未被明確研究過，儘管它們是某些分割架構中必要的構建塊。

本文介紹了 Scale Equivariant U-Net (SEU-Net)，這是一種通過應用下采樣和上取樣層以及使用上述尺度等變層，使其對尺度和平移的近似等效。論文還提出了一個 scale-dropout，以提高在近似等尺度架構中對不同尺度的泛化能力。提出的 SEU-Net 被訓練用於 Oxford Pet IIIT 的語義分割和用於細胞分割的 DIC-C2DH-HeLa 資料集。與 U-Net 相比，對看不見的尺度的泛化度量得到了顯著改善。在 Pet 實驗中，scale-dropout 可以更好地泛化尺度等變模型，但在細胞分割實驗中沒有提高。

3、Analysis of the performance of U-Net neural networks for the segmentation of living cells

André O. Françani

在單細胞跟蹤和量化方面，顯微鏡影象的自動分析是一項挑戰。這項工作的目標是研究用於分割顯微鏡影象的深度學習的效能。基於卷積神經網路的深度學習技術，已應用於細胞分割問題，並顯示出高精度和快速效能。為了執行影象分割，論文對超引數進行了分析，建立了不同的模型以優化網路的大小和可學習引數的數量。

4、Sauron U-Net: Simple automated redundancy elimination in medical image segmentation via filter pruning

Juan Miguel Valverde, Artem Shatillo, Jussi Tohka

https://arxiv.org/pdf/2209.13590

論文提出了一種濾波器修剪方法Sauron，通過丟棄相應的濾波器自動調整的層特定閾值來消除冗餘的特徵對映。Sauron最小化了正則化項，促進了特徵對映簇的形成。與大多數濾波器修剪方法相比，Sauron是單相的，類似於典型的神經網路優化，需要更少的超引數。

此外與其他基於叢集的方法不同該方法不需要預先選擇簇的數量，因為這是不容易確定的，而且在不同層之間是不同的。論文在三個醫學影象分割任務中評估了Sauron和三種最先進的濾波修剪方法。Sauron得到的模型與其他幾種修剪方法相比具有更高的修剪效能和修剪率。由於Sauron在訓練過程中刪除了過濾器，它的優化會隨著時間的推移而加速。

Sauron程式碼：

https://github.com/jmlipman/SauronUNet

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

論文訓練了一個深度學習的人工神經網路模型Spatial Attention U-Net，該模型用於從雷達訊號中分離電離層訊號。這個方向很專業，有興趣的看看論文吧。