前沿论文解读

U-Net:少样本图像分割的基线

U-Net: Convolutional Networks for Biomedical Image Segmentation

Ronneberger, Fischer, Brox · 2015 · arXiv:1505.04597

基础文献 · 不轮换
2015
它问的问题

在标注极少的情况下,如何让像素级分割既准又稳?

他们怎么做的

编码—解码 + 跳跃连接,把高分辨率细节直接接到上采样路径。

证据

多届 ISBI 细胞追踪挑战赛;小样本训练下仍能收敛。

别信太多

换成灰度超声图,跳跃连接会把探头伪影也带到输出;跨批次要先看召回而非 IoU。

适用边界

需要像素级标注;对低对比度、强噪声的工业图像,跨批次泛化未经验证。

课堂任务

用 200 张自标注缺陷图训练,留一个批次做测试,报告跨批次召回与误检。

基础文献 = 这门方法的代表作,长期保留:它解释“这类方法为什么成立”,不会因为年份旧而被换掉。
原文 关联章节: 标签噪声:数据质量决定上限 小样本:20 张图也能训 返回学习页