1樓：jacob benseal
對醫學影象不太懂，但跨層鏈結會對小感受野有更好的特徵提取效果吧。
對ocr分割效果也不錯，ocr中的實體都比較小，可能醫學影象也這樣吧
2樓：日本寶刀
U-net這東西我用過兩次，一次是用fcn做saliency detection，他的特別之處在於結合低層特徵和高層特徵，讓網路在做prediction的時候「考慮更多」。這不是新鮮的東西，lstm之父就提出過skip connection。
不過後來我做image2image，用unet的結果很差，最終用的是cyclegan的resnet版本。
最近看到有做people reid的人，在unet的倒數第二層連線原始影象，做synthesis，夠暴力的.....
3樓：張良懷
根據UNet的結構，它能夠結合底層和高層的資訊。
底層(深層)資訊：經過多次下取樣後的低解析度資訊。能夠提供分割目標在整個影象中上下文語義資訊，可理解為反應目標和它的環境之間關係的特徵。
這個特徵有助於物體的類別判斷（所以分類問題通常只需要低解析度/深層資訊，不涉及多尺度融合）
高層(淺層)資訊：經過concatenate操作從encoder直接傳遞到同高度decoder上的高解析度資訊。能夠為分割提供更加精細的特徵，如梯度等。
為什麼適用於醫學影象？
（1）因為醫學影象邊界模糊、梯度複雜，需要較多的高解析度資訊。高解析度用於精準分割。
（2）人體內部結構相對固定，分割目標在人體影象中的分布很具有規律，語義簡單明確，低解析度資訊能夠提供這一資訊，用於目標物體的識別。
UNet結合了低解析度資訊（提供物體類別識別依據）和高解析度資訊（提供精準分割定位依據），完美適用於醫學影象分割。
4樓：深度學習雜談
我來說個不一樣的，它有up-conv的操作，這說明是個auto encoder的架構，有點像全連線自變碼器可以新增或去除噪音。這個cnn的自變碼器學了區域性特徵然後壓縮，再解壓縮，最後獲得邊界識別能力（把非邊界的內容當成噪音抹掉了）
5樓：蘇正航
醫學影象做得不多，就Unet談一點個人實驗，Small MobileNetV1/V2在Unet結構下結合dice loss下基本對2種類別的語義分割能達到很amazing的效果。1MB-3MB甚至更加小的網路，相比於大網路Vgg、ResNet等來說，特徵提取的bottleneck很弱，因此希望小網路也能達到大網路的效果，Unet結構可以更好地融合高低層特徵，恢復精細邊緣（獲取先驗。。）
6樓：dalle
不只是醫學影象啊，自然影象分割用unet也能取得非常好的效果。
搞過kaggle語義分割的比賽carvana。感覺最好用的還是unet，其次linknet和提拉公尺蘇也好用。large kernel也不錯，反而pspnet，deeplab v3之類在pascal voc排前幾的網路反而效果不好。
7樓：
已經有很多U-Net-Like的神經網路被提出。
U-Net適用於醫學影象分割、自然影象生成。
在醫學影象分割表現好：
1、因為利用了底層的特徵（同解析度級聯）改善上取樣的資訊不足。
2、醫學影象資料一般較少，底層的特徵其實很重要。
其劣勢：
通常要隨機初始化，從頭開始訓練。當然，在2D和3D方面均可以通過遷移學習，拿VGG-Net或者C3D的權重進行權重初始化，對這個問題進行解決。或者採用COCO等分割資料，進行預訓練。
8樓：雲雀恭彌
謝樓上老哥的回答，unet，Vnet這種在醫學影像分割上常用的網路，都是下取樣和上取樣結合，底層資訊和高層資訊結合，顯著提高分割的精度。因此我覺得我提的這個問題，另一方面還需要考慮影象的特點，為什麼醫學影象需要不斷結合底層資訊才能達到很好的分割效果？醫學影象相比於普通影象，其複雜度是非常高的，灰度範圍大，邊界不清晰等特點，也決定了它需要unet這種網路結構。
才疏學淺，寫了點自己的理解，希望有大牛能給出更好的回答
9樓：Wheeler
我以前幫別人解決乙個醫療影象分割的時候，自然而然就設計成了Unet的樣子，反倒是Unet後來才聽說。因為這種結構能夠同時結合高解析度的區域性資訊，和低解析度更大面積的資訊，綜合起來才能得到更高的準確率。
RBF神經網路和BP神經網路有什麼區別？
DomainAdaptation 1，從模型結構上來看 RBF神經網路從圖形結構上來說，就是一種單隱層的神經網路.這個隱層的每個神經元輸出的是乙個RBF函式的值，這些RBF函式的核寬都是一樣的，它們中心要麼是每個訓練樣本點，要麼是訓練樣本點的聚類中心，當然還可以有其他。核化的支援向量機就可以看成是一...
神經網路是萬能的嗎？有了神經網路為什麼還要學習其他演算法？
臥聽清風 理解到你說的演算法應該指的是用於影象識別，大資料分析，資料分類等相關的演算法。但演算法的定義遠不止此，比如資料儲存的資料結構設計，排序等，這些基本的方法是提高程式效率的基礎。這些演算法顯然目前深度學習是無法代替的。而對於具體的問題。比如影象識別，資料分類等，神經網路確實以其良好的效果，得到...
神經網路中的label smooth為什麼沒有火？
寶圖2borne 因為簡單，所以好實現，因為好實現，所以能看到效果改變，效果在大部分場景下不提公升，就很難火了。能火還是萬金油類的東西比較容易火 感謝各位大佬的回答 這裡補乙個很簡單的實現,方便大家參考 deflabel smoothing inputs epsilon 0.1 inputs 3d ...