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
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。
© 慧之帆信息科技 · 打印时间: