阅读 70 SEO

去噪深度卷积网络实战扩展(四)——U-net网络实战讲解

各位同学,继上节课给大家介绍了深度学习去噪一款优秀的神经网络——DnCNN之后,再给大家带来另一款性能优异的神经网络U-net。

U-net的特点是包含压缩路径和扩展路径的对称U形结构,U-net在一定程度上影响了后面若干个分割网络的设计,该网络的名字也是取自其U形形状。

U-Net的一篇经典论文是《U-Net: Convolutional Networks for Biomedical Image Segmentation》,来自德国的Olaf Ronneberger,下面我们来给大家讲解U-Net的主要原理。

U-Net的实验是一个比较简单的ISBI cell tracking数据集,由于本身的任务比较简单,U-Net仅仅通过30张图片并辅以数据扩充策略便达到非常低的错误率,拿了当届比赛的冠军。

一、U-Net的网络讲解

U-Net的U形结构如图所示。网络是一个经典的全卷积网络。网络的输入是一张572*572的边缘经过镜像操作的图片(input image tile)。

网络的左侧是由卷积和Max Pooling构成的一系列降采样操作,作者中将这一部分叫做压缩路径(contracting path)。压缩路径由4个block组成,每个block使用了3个有效卷积和1个Max Pooling降采样,每次降采样之后Feature Map的个数乘2,因此有了图中所示的Feature Map尺寸变化。最终得到了尺寸为 32*32的Feature Map。

网络的右侧部分在论文中叫做扩展路径(expansive path)。同样由4个block组成,每个block开始之前通过反卷积将Feature Map的尺寸乘2,同时将其个数减半(最后一层略有不同),然后和左侧对称的压缩路径的Feature Map合并(这个特点是U-net的最大创新点),由于左侧压缩路径和右侧扩展路径的Feature Map的尺寸不一样,U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的(即图中左侧虚线部分)。扩展路径的卷积操作依旧使用的是有效卷积操作,最终得到的Feature Map的尺寸是388*388 。由于该任务是一个二分类任务,所以网络有两个输出Feature Map。

U-net能实现什么应用呢?作者是搞医学研究的,因此他在医学图像分割领域取得了较大的成果。

如图所示,作者将细胞图片经过U-net处理后,得到了更清晰的细胞结构。

二、U-Net在地震去噪中的实验

为了测试U-Net网络的性能到底如何,我们利用前面的地震仿真数据进行测试。网络模型代码是这样的:

与原来作者的网络结构相比,大部分代码都相同,但是我们也进行了细微的改动。

一是卷积过滤层数减少了1/4。因为我们输入的数据尺寸减少了1/4。这样训练的网络训练参数就从3000多万减少到了100多万,速度大大提升。

二是网络最后一层从sigmod改为tanh,loss函数改为mean_squared_error。因为我们去噪是线性回归问题,所以不能使用逻辑回归的函数。

经过1个多小时的训练,最后的去噪效果是这样的:

视觉效果看起来还不错,去除的噪声很干净。不过有效信号的损失也很大,所以PSNR值比较低,这还需要未来的调优。

好了,以上就是今天的课程。今天讲解了U-net的主要原理,并进行了地震去噪实验。其实U-net的特点除了网络结构新颖之外,数据增强功能也很强大。还有U-net的长处是分割问题,比如可以用到地震断层的识别、油气藏识别等应用,这些将在未来的课程来探讨。如果你想获取代码,或有问题讨论,都欢迎联系我交流。下节课再见。

作者:科技州

原文链接:https://www.jianshu.com/p/a713a75d5185

文章分类
后端
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 gxwowoo@163.com 举报,一经查实,本站将立刻删除。
相关推荐