U-net与FCN背后的直觉用于语义分割

Question

我不太了解以下内容：

在Shelhamer等人提出的用于语义分割的FCN中，他们提出了像素到像素的预测以构造图像中对象的蒙版/精确位置。

在用于生物医学图像分割的FCN的略微修改版本中，U-net的主要区别似乎是“与从收缩路径中相应裁剪的特征图的串联”。

现在，为什么此功能特别是在生物医学细分方面有所作为？我可以指出的是，生物医学图像与其他数据集的主要区别在于，在生物医学图像中，定义对象的特征集不如每天常见的对象丰富。数据集的大小也受到限制。但是，此额外功能是否受这两个事实或其他原因的启发？

Answer 1

FCN与U-Net：

FCN

1. 它仅上采样一次。即它在解码器中只有一层
2. 最初的实现github repo使用双线性插值对经过卷积的图像进行升采样。那这里没有可学习的过滤器
3. FCN- [FCN 16s和FCN 8s]的变体添加了来自较低层的跳过连接，以使输出对于缩放变化具有鲁棒性

网络

1. 多个上采样层
2. 使用跳过连接并连接而不是加总
3. 使用可学习的权重过滤器代替固定插值技术