±à¼ÍƼö: |
±¾ÎÄÊ×ÏȽéÉÜһЩ¾µäµÄÓïÒå·Ö¸îÍøÂç¼°Æä´´Ðµ㣬Ȼºó½éÉÜÍøÂç½á¹¹Éè¼ÆÔÚҽѧͼÏñ·Ö¸îÁìÓòÄÚµÄһЩӦÓá£
±¾ÎÄÀ´×ÔÓÚ Î¢ÐŹ«ÖÚºÅС°×ѧÊÓ¾õ £¬ÓÉ»ðÁú¹ûÈí¼þLinda±à¼¡¢ÍƼö¡£ |
|
µ¼¶Á
ÀûÓÃCNNs½øÐÐͼÏñÓïÒå·Ö¸îʱ£¬ÓÐһЩÕë¶ÔÍøÂç½á¹¹µÄ´´Ðµ㣬ÕâЩ´´ÐµãÖ÷Òª°üÀ¨ÁËÐÂÉñ¾¼Ü¹¹£¨²»Í¬Éî¶È¡¢¿í¶È¡¢Á¬½ÓºÍÍØÆË½á¹¹£©ºÍÐÂ×é¼þ»ò²ãµÄÉè¼Æ¡£
±¾ÎÄ×ܽáÁËÀûÓÃCNNs½øÐÐͼÏñÓïÒå·Ö¸îʱ£¬Õë¶ÔÍøÂç½á¹¹µÄ´´Ð£¬ÕâЩ´´ÐµãÖ÷Òª°üÀ¨ÐÂÉñ¾¼Ü¹¹µÄÉè¼Æ£¨²»Í¬Éî¶È¡¢¿í¶È¡¢Á¬½ÓºÍÍØÆË½á¹¹£©ºÍÐÂ×é¼þ»ò²ãµÄÉè¼Æ¡£Ç°ÕßÊÇÀûÓÃÒÑÓеÄ×é¼þ×é×°¸´ÔӵĴóÐÍÍøÂ磬ºóÕßÊǸüÆ«ÏòÓÚÉè¼Æµ×²ã×é¼þ¡£Ê×ÏȽéÉÜһЩ¾µäµÄÓïÒå·Ö¸îÍøÂç¼°Æä´´Ðµ㣬Ȼºó½éÉÜÍøÂç½á¹¹Éè¼ÆÔÚҽѧͼÏñ·Ö¸îÁìÓòÄÚµÄһЩӦÓá£
1. ͼÏñÓïÒå·Ö¸îÍøÂç½á¹¹´´ÐÂ
1.1 FCNÍøÂç

FCNÕûÌå¼Ü¹¹¼òͼ
µ¥¶À½«FCNÍøÂçÁгöÀ´ÊÇÒòΪFCNÍøÂçÊǵÚÒ»¸ö´ÓȫеĽǶÈÀ´½â¾öÓïÒå·Ö¸îÎÊÌâµÄÍøÂç¡£´ËǰµÄ»ùÓÚÉñ¾ÍøÂçµÄͼÏñÓïÒå·Ö¸îÍøÂçÊÇÀûÓÃÒÔ´ý·ÖÀàÏñËØµãΪÖÐÐĵÄͼÏñ¿éÀ´Ô¤²âÖÐÐÄÏñËØµÄ±êÇ©£¬Ò»°ãÓÃCNN+FCµÄ²ßÂÔ¹¹½¨ÍøÂ磬ÏÔÈ»ÕâÖÖ·½Ê½ÎÞ·¨ÀûÓÃͼÏñµÄÈ«¾ÖÉÏÏÂÎÄÐÅÏ¢£¬¶øÇÒÖðÏñËØÍÆÀíËٶȺܵͣ»¶øFCNÍøÂçÉáÆúÈ«Á¬½Ó²ãFC£¬È«²¿Óþí»ý²ã¹¹½¨ÍøÂ磬ͨ¹ýתÖþí»ýÒÔ¼°²»Í¬²ãÌØÕ÷ÈںϵIJßÂÔ£¬Ê¹µÃÍøÂçÊä³öÖ±½ÓÊÇÊäÈëͼÏñµÄÔ¤²âmask£¬Ð§Âʺ;«¶ÈµÃµ½´ó·ù¶ÈÌáÉý¡£

FCN²»Í¬²ãÌØÕ÷ÈÚºÏʾÒâͼ
´´Ðµ㣺ȫ¾í»ýÍøÂ磨²»º¬fc²ã£©£»×ªÖþí»ýdeconv£¨·´¾í»ý£©£»²»Í¬²ãÌØÕ÷Í¼ÌøÔ¾Á¬½Ó£¨Ïà¼Ó£©
1.2 ±à½âÂë½á¹¹£¨Enconder-decoder£©
SegNetºÍFCNÍøÂçµÄ˼·»ù±¾Ò»Ö¡£±àÂëÆ÷²¿·ÖʹÓÃVGG16µÄǰ13²ã¾í»ý£¬²»Í¬µãÔÚÓÚDecoder²¿·ÖUpsamplingµÄ·½Ê½¡£FCNͨ¹ý½«ÌØÕ÷ͼdeconvµÃµ½µÄ½á¹ûÓë±àÂëÆ÷¶ÔÓ¦´óСµÄÌØÕ÷ͼÏà¼ÓµÃµ½ÉϲÉÑù½á¹û£»¶øSegNetÓÃEncoder²¿·ÖmaxpoolµÄË÷Òý½øÐÐDecoder²¿·ÖµÄÉϲÉÑù£¨ÔÎÄÃèÊö£ºthe
decoder upsamples the lower resolution input feature
maps. Speci?cally, the decoder uses pooling indices
computed in the max-pooling step of the corresponding
encoder to perform non-linear upsampling.£©¡£
´´Ðµ㣺Encoder-Decoder½á¹¹£»Pooling indices¡£ 
SegNetÍøÂç 
SegNetÓëFCNµÄUpsample·½Ê½¶Ô±È
U-NetÍøÂç×î³õÊÇÕë¶ÔÉúÎïҽѧͼÏñÉè¼ÆµÄ£¬µ«ÓÉÓÚÆä³öÉ«µÄÐÔÄÜ£¬ÏÖÈç½ñUNet¼°Æä±äÌåÒѾ¹ã·ºÓ¦Óõ½CV¸÷¸ö×ÓÁìÓò¡£UNetÍøÂçÓÉUͨµÀºÍ¶Ì½ÓͨµÀ£¨skip-connection£©×é³É£¬UͨµÀÀàËÆÓÚSegNetµÄ±à½âÂë½á¹¹£¬ÆäÖбàÂ벿·Ö£¨contracting
path£©½øÐÐÌØÕ÷ÌáÈ¡ºÍ²¶»ñÉÏÏÂÎÄÐÅÏ¢£¬½âÂ벿·Ö£¨expanding path£©ÓýâÂëÌØÕ÷ͼÀ´Ô¤²âÏñËØ±êÇ©¡£¶Ì½ÓͨµÀÌá¸ßÁËÄ£Ð;«¶È²¢½â¾öÁËÌݶÈÏûʧÎÊÌâ£¬ÌØ±ðҪעÒâµÄÊǶ̽ÓͨµÀÌØÕ÷ͼÓëÉϲÉÑùÌØÕ÷ͼÊÇÆ´½Ó¶ø²»ÊÇÏà¼Ó£¨²»Í¬ÓÚFCN£©¡£
´´Ðµ㣺UÐͽṹ£»¶Ì½ÓͨµÀ£¨skip-connection£© 
U-NetÍøÂç
V-NetÍøÂç½á¹¹ÓëU-NetÀàËÆ£¬²»Í¬ÔÚÓڸüܹ¹Ôö¼ÓÁËÌøÔ¾Á¬½Ó£¬²¢ÓÃ3D²Ù×÷ÎïÌæ»»ÁË2D²Ù×÷ÒÔ´¦Àí3DͼÏñ£¨volumetric
image£©¡£²¢ÇÒÕë¶Ô¹ã·ºÊ¹ÓõÄϸ·ÖÖ¸±ê£¨ÈçDice£©½øÐÐÓÅ»¯¡£ 
V-NetÍøÂç
´´Ðµ㣺Ï൱ÓÚU-NetÍøÂçµÄ3D°æ±¾
FC-DenseNet (°Ù²ãÌáÀÃ×ËÕÍøÂç)£¨paper title: The One Hundred
Layers Tiramisu: Fully Convolutional DenseNets for
Semantic Segmentation£©¸ÃÍøÂç½á¹¹ÊÇÓÉÓÃÃܼ¯Á¬½Ó¿é£¨Dense Block£©ºÍUNet¼Ü¹¹×齨µÄ¡£¸ÃÍøÂç×î¼òµ¥µÄ°æ±¾ÊÇÓÉÏòϹý¶ÉµÄÁ½¸öϲÉÑù·¾¶ºÍÏòÉϹý¶ÉµÄÁ½¸öÉϲÉÑù·¾¶×é³É¡£ÇÒͬÑù°üº¬Á½¸öË®Æ½ÌøÔ¾Á¬½Ó£¬½«À´×ÔϲÉÑù·¾¶µÄÌØÕ÷ͼÓëÉϲÉÑù·¾¶ÖеÄÏàÓ¦ÌØÕ÷ͼƴ½ÓÔÚÒ»Æð¡£ÉϲÉÑù·¾¶ºÍϲÉÑù·¾¶ÖеÄÁ¬½Óģʽ²»Íêȫͬ£ºÏ²ÉÑù·¾¶ÖУ¬Ã¿¸öÃܼ¯¿éÍâÓÐÒ»ÌõÌøÔ¾Æ´½Óͨ·£¬´Ó¶øµ¼ÖÂÌØÕ÷ͼÊýÁ¿µÄÏßÐÔÔö³¤£¬¶øÔÚÉϲÉÑù·¾¶ÖÐûÓд˲Ù×÷¡££¨¶à˵һ¾ä£¬Õâ¸öÍøÂçµÄ¼ò³Æ¿ÉÒÔÊÇDense
Unet£¬µ«ÊÇÓÐһƪÂÛÎĽÐFully Dense UNet for 2D Sparse Photoacoustic
Tomography Artifact Removal£¬ ÊÇÒ»¸ö¹âÉù³ÉÏñȥαӰµÄÂÛÎÄ£¬ÎÒ¿´µ½¹ýºÃ¶à²©¿ÍÒýÓÃÕâÆªÂÛÎÄÀïÃæµÄ²åͼÀ´Ì¸ÓïÒå·Ö¸î£¬¸ù±¾¾Í²»ÊÇÒ»ÂëʺÃô
=_=||£¬×Ô¼ºÄÜ·ÖÇå¼´¿É¡££© 
FC-DenseNet£¨°Ù²ãÌáÀÃ×ËÕÍøÂ磩
´´Ðµ㣺ÈÚºÏDenseNetÓëU-NetÍøÂ磨´ÓÐÅÏ¢½»Á÷µÄ½Ç¶È¿´£¬Ãܼ¯Á¬½ÓȷʵҪ±È²Ð²î½á¹¹¸üÇ¿´ó£©
DeeplabϵÁÐÍøÂçÊÇÔÚ±à½âÂë½á¹¹µÄ»ù´¡ÉÏÌá³öµÄ¸Ä½ø°æ±¾£¬2018ÄêDeeplabV3+ÍøÂçÔÚVOC2012ºÍCityscapesÊý¾Ý¼¯ÉϵıíÏÖÓÅÒ죬´ïµ½SOTAˮƽ¡£DeepLabϵÁй²ÓÐV1¡¢V2¡¢V3ºÍV3+¹²ËÄÆªÂÛÎÄ¡£¼òÒª×ܽáһЩ¸÷ƪÂÛÎĵĺËÐÄÄÚÈÝ£º
1) DeepLabV1£ºÈںϾí»ýÉñ¾ÍøÂçºÍ¸ÅÂÊͼģÐÍ£ºCNN+CRF£¬Ìá¸ßÁ˷ָλ¾«¶È£» 
2) DeepLabV2£ºASPP£¨À©Õſռä½ð×ÖËþ³Ø»¯)£»CNN+CRF

3) DeepLabV3£º¸Ä½øASPP£¬¶àÁË1*1¾í»ýºÍÈ«¾Öƽ¾ù³Ø»¯£¨global avg pool£©£»¶Ô±ÈÁ˼¶ÁªºÍ²¢Áª¿Õ¶´¾í»ýµÄЧ¹û¡£ 
¼¶Áª¿Õ¶´¾í»ý 
²¢Áª¿Õ¶´¾í»ý£¨ASPP£©
4) DeepLabV3+£º¼ÓÈë±à½âÂë¼Ü¹¹Ë¼Ï룬Ìí¼ÓÒ»¸ö½âÂëÆ÷Ä£¿éÀ´À©Õ¹DeepLabv3£»½«Éî¶È¿É·ÖÀë¾í»ýÓ¦ÓÃÓÚASPPºÍ½âÂëÆ÷Ä£¿é£»½«¸Ä½øµÄXception×÷ΪBackbone¡£

DeepLabV3+
×ܵÄÀ´Ëµ£¬DeepLabϵÁеĺËÐűÏ×: ¿Õ¶´¾í»ý£»ASPP£»CNN+CRF£¨½öV1ºÍV2ʹÓÃCRF£¬Ó¦¸ÃÊÇV3ºÍV3+ͨ¹ýÉî¶ÈÍøÂç½â¾öÁË·Ö¸î±ß½çÄ£ºýµÄÎÊÌ⣬Ч¹ûÒª±È¼ÓÁËCRF¸üºÃ£©
PSPNet£¨pyramid scene parsing network£©Í¨¹ý¶Ô²»Í¬ÇøÓòµÄÉÏÏÂÎÄÐÅÏ¢½øÐоۺϣ¬ÌáÉýÁËÍøÂçÀûÓÃÈ«¾ÖÉÏÏÂÎÄÐÅÏ¢µÄÄÜÁ¦¡£ÔÚSPPNet£¬½ð×ÖËþ³Ø»¯Éú³ÉµÄ²»Í¬²ã´ÎµÄÌØÕ÷ͼ×îÖÕ±»flatten²¢concateÆðÀ´£¬ÔÙËÍÈëÈ«Á¬½Ó²ãÒÔ½øÐзÖÀ࣬Ïû³ýÁËCNNÒªÇóͼÏñ·ÖÀàÊäÈë´óС¹Ì¶¨µÄÏÞÖÆ¡£¶øÔÚPSPNetÖУ¬Ê¹ÓõIJßÂÔÊÇ£ºpoolling-conv-upsample£¬È»ºóÆ´½ÓµÃµ½ÌØÕ÷ͼ£¬È»ºó½øÐбêǩԤ²â¡£

PSPNetÍøÂç
´´Ðµ㣺¶à³ß¶È³Ø»¯£¬¸üºÃµØÀûÓÃÈ«¾ÖͼÏñ¼¶±ðµÄÏÈÑé֪ʶÀ´Àí½â¸´ÔÓ³¡¾°
RefineNetͨ¹ýϸ»¯Öм伤»îÓ³Éä²¢·Ö²ãµØ½«ÆäÁ¬½Óµ½½áºÏ¶à³ß¶È¼¤»î£¬Í¬Ê±·ÀÖ¹Èñ¶ÈËðʧ¡£ÍøÂçÓɶÀÁ¢µÄRefineÄ£¿é×é³É£¬Ã¿¸öRefineÄ£¿éÓÉÈý¸öÖ÷Ҫģ¿é×é³É£¬¼´:Ê£Óà¾í»ýµ¥Ôª(RCU)£¬¶à·Ö±æÂÊÈÚºÏ(MRF)ºÍÁ´Ê£Óà³Ø(CRP)¡£ÕûÌå½á¹¹ÓеãÀàËÆU-Net£¬µ«ÔÚÌøÔ¾Á¬½Ó´¦Éè¼ÆÁËеÄ×éºÏ·½Ê½£¨²»ÊǼòµ¥µÄconcat£©¡£¸öÈËÈÏΪ£¬ÕâÖֽṹÆäʵ·Ç³£ÊʺÏ×÷Ϊ×Ô¼ºÍøÂçÉè¼ÆµÄ˼·£¬¿ÉÒÔ¼ÓÈëÐí¶àÆäËûCVÎÊÌâÖÐʹÓõÄCNN
module£¬¶øÇÒÒÔU-NetΪÕûÌå¿ò¼Ü£¬Ð§¹û²»»áÌ«²î¡£

RefineNetÍøÂç
´´Ðµ㣺RefineÄ£¿é
1.3 ½µµÍ¼ÆË㸴ÔÓµÄÍøÂç½á¹¹
Ò²Óкܶ๤×÷ÖÂÁ¦ÓÚ½µµÍÓïÒå·Ö¸îÍøÂçµÄ¼ÆË㸴ÔÓ¶È¡£Ò»Ð©¼ò»¯Éî¶ÈÍøÂç½á¹¹µÄ·½·¨£ºÕÅÁ¿·Ö½â£»Í¨µÀ/ÍøÂç¼ôÖ¦£»Ï¡Ê軯Á¬½Ó¡£»¹ÓÐһЩÀûÓÃNAS£¨Éñ¾¼Ü¹¹ËÑË÷£©È¡´úÈ˹¤Éè¼ÆÀ´ËÑË÷Ä£¿é»òÕû¸öÍøÂçµÄ½á¹¹£¬µ±È»AutoDLËùÐèµÄGPU×ÊÔ´»áȰÍËÒ»´óÅúÈË¡£Òò´Ë£¬Ò²ÓÐһЩÈËʹÓÃËæ»úËÑË÷À´ËÑË÷СµÄ¶àµÄASPPÄ£¿é£¬È»ºó»ùÓÚСģ¿éÀ´´î½¨Õû¸öÍøÂçÄ£ÐÍ¡£
ÍøÂçÇáÁ¿»¯Éè¼ÆÊÇÒµÄÚ¹²Ê¶£¬Òƶ¯¶Ë²¿Ê𲻿ÉÄÜÿ̨»úÆ÷ÅäÒ»ÕÅ2080ti£¬ÁíÍâºÄµçÁ¿¡¢´æ´¢µÈÎÊÌâÒ²»áÏÞÖÆÄ£Ð͵ÄÍÆ¹ãÓ¦Óᣲ»¹ý5GÈç¹ûÄÜÆÕ¼°µÄ»°£¬Êý¾Ý¾Í¿ÉÒÔÈ«²¿ÔÚÔÆ¶Ë´¦Àí£¬»áºÜÓÐÒâ˼¡£µ±È»£¬¶ÌÆÚÄÚ£¨Ê®Ä꣩£¬5GÈ«·½Î»²¿Êð²»ÖªµÀÊÇ·ñ¿ÉÐС£
1.4 »ùÓÚ×¢ÒâÁ¦»úÖÆµÄÍøÂç½á¹¹
×¢ÒâÁ¦»úÖÆ¿ÉÒÔ¶¨ÒåΪ£ºÊ¹ÓúóÐø²ã/ÌØÕ÷ͼÐÅÏ¢À´Ñ¡ÔñºÍ¶¨Î»ÊäÈëÌØÕ÷ͼÖÐ×î¾ßÅжÏÁ¦£¨»òÏÔÖøÐÔ£©µÄ²¿·Ö¡£¼òµ¥µØ¿ÉÒÔÈÏΪÊǸøÌØÕ÷ͼ¼ÓȨµÄÒ»ÖÖ·½Ê½£¨È¨ÖµÍ¨¹ýÍøÂç¼ÆËãµÃµ½£©£¬°´ÕÕȨֵµÄ×÷Ó÷½Ê½µÄ²»Í¬£¬¿ÉÒÔ·ÖΪͨµÀ×¢ÒâÁ¦»úÖÆ£¨CA£©ºÍ¿Õ¼ä×¢ÒâÁ¦»úÖÆ£¨PA£©¡£FPA£¨Feature
Pyramid Attention£¬ÌØÕ÷½ð×ÖËþ×¢ÒâÁ¦£©ÍøÂçÊÇÒ»ÖÖ»ùÓÚ×¢ÒâÁ¦»úÖÆµÄÓïÒå·Ö¸îÍøÂ磬Ëü½«×¢ÒâÁ¦»úÖÆºÍ¿Õ¼ä½ð×ÖËþÏà½áºÏ£¬ÒÔÌáÈ¡ÓÃÓÚÏñËØ¼¶±ê¼ÇµÄ¾«ÃÜÌØÕ÷£¬¶øÃ»ÓвÉÓÃÅòÕ;í»ýºÍÈËΪÉè¼ÆµÄ½âÂëÆ÷ÍøÂç¡£
1.5 »ùÓÚ¶Ô¿¹Ñ§Ï°µÄÍøÂç½á¹¹
GoodfellowµÈÈËÔÚ2014ÄêÌá³öÁËÒ»ÖÖ¶Ô¿¹µÄ·½·¨À´Ñ§Ï°Éî¶ÈÉú³ÉÄ£ÐÍ£¬ Éú³É¶Ô¿¹ÍøÂ磨GANs£©ÖÐÐèҪͬʱѵÁ·Á½¸öÄ£ÐÍ£º²¶»ñÊý¾Ý·Ö²¼µÄÉú³ÉÄ£ÐÍG£¬ºÍ¹À¼ÆÑù±¾À´×ÔѵÁ·Êý¾ÝµÄ¸ÅÂʵÄÅбðÄ£ÐÍD¡£
¡ñ GÊÇÒ»¸öÉú³ÉʽµÄÍøÂ磬Ëü½ÓÊÕÒ»¸öËæ»úµÄÔëÉùz£¨Ëæ»úÊý£©£¬Í¨¹ýÕâ¸öÔëÉùÉú³ÉͼÏñ
¡ñ DÊÇÒ»¸öÅбðÍøÂ磬ÅбðÒ»ÕÅͼƬÊDz»ÊÇ¡°ÕæÊµµÄ¡±¡£ËüµÄÊäÈë²ÎÊýÊÇx£¨Ò»ÕÅͼƬ£©£¬Êä³öD£¨x£©´ú±íxÎªÕæÊµÍ¼Æ¬µÄ¸ÅÂÊ£¬Èç¹ûΪ1£¬¾Í´ú±í100%ÊÇÕæÊµµÄͼƬ£¬¶øÊä³öΪ0£¬¾Í´ú±í²»¿ÉÄÜÊÇÕæÊµµÄͼƬ¡£
GµÄѵÁ·³ÌÐòÊǽ«D´íÎóµÄ¸ÅÂÊ×î´ó»¯¡£¿ÉÒÔÖ¤Ã÷ÔÚÈÎÒ⺯ÊýGºÍDµÄ¿Õ¼äÖУ¬´æÔÚΨһµÄ½â¾ö·½°¸£¬Ê¹µÃGÖØÏÖѵÁ·Êý¾Ý·Ö²¼£¬¶øD=0.5¡£ÑµÁ·¹ý³ÌÖУ¬Éú³ÉÍøÂçGµÄÄ¿±ê¾ÍÊǾ¡Á¿Éú³ÉÕæÊµµÄͼƬȥÆÛÆÅбðÍøÂçD¡£¶øDµÄÄ¿±ê¾ÍÊǾ¡Á¿±æ±ð³öGÉú³ÉµÄ¼ÙͼÏñºÍÕæÊµµÄͼÏñ¡£ÕâÑù£¬GºÍD¹¹³ÉÁËÒ»¸ö¶¯Ì¬µÄ¡°²©ÞĹý³Ì¡±£¬×îÖյį½ºâµã¼´ÄÉʲ¾ùºâµã.¡£ÔÚGºÍDÓÉÉñ¾ÍøÂ綨ÒåµÄÇé¿öÏ£¬Õû¸öϵͳ¿ÉÒÔÓ÷´Ïò´«²¥½øÐÐѵÁ·¡£

GANsÍøÂç½á¹¹Ê¾Òâ
Êܵ½GANsÆô·¢£¬LucµÈÈËѵÁ·ÁËÒ»¸öÓïÒå·Ö¸îÍøÂ磨G£©ÒÔ¼°Ò»¸ö¶Ô¿¹ÍøÂ磨D£©£¬¶Ô¿¹ÍøÂçÇø·ÖÀ´×Ôground
truth»òÓïÒå·Ö¸îÍøÂ磨G£©µÄ·Ö¸îͼ¡£GºÍD²»¶ÏµØ²©ÞÄѧϰ£¬ ËüÃǵÄËðʧº¯Êý¶¨ÒåΪ £º

GANs loss function
ÆäÖÐ ºÍ ·Ö±ð´ú±í·Ö¸îÍøÂ磨G£©ºÍ¶Ô¿¹ÍøÂ磨D£©µÄ²ÎÊý¡£ ºÍ ·Ö±ðÊǶàÀàºÍ¶þÀཻ²æìØËðʧ£¬Á½²¿·Ö¹²Í¬×é³ÉÍøÂçµÄËðʧº¯Êý¡£
»Ø¹ËÒ»ÏÂÔʼµÄGANËðʧº¯Êý£º
GANsµÄËðʧº¯ÊýÌåÏÖµÄÊÇÒ»ÖÖÁãºÍ²©ÞĵÄ˼Ï룬ÔʼµÄGANsµÄËðʧº¯ÊýÈçÏ£º

ËðʧµÄ¼ÆËãλÖÃÊÇÔÚD£¨ÅбðÆ÷£©Êä³ö´¦£¬¶øDµÄÊä³öÒ»°ãÊÇfake/trueµÄÅжϣ¬ËùÒÔÕûÌå¿ÉÒÔÈÏΪÊÇÉϲÉÓÃÁ˶þ·ÖÀཻ²æìغ¯Êý¡£ÓÉGANsµÄËðʧº¯ÊýµÄÐÎʽ¿ÉÖª£¬ÑµÁ·Òª·ÖΪÁ½²¿·Ö£º
Ê×ÏÈÊÇmaxD²¿·Ö£¬ÒòΪѵÁ·Ò»°ãÊÇÏȱ£³ÖG£¨Éú³ÉÆ÷£©²»±äѵÁ·DµÄ¡£DµÄѵÁ·Ä¿±êÊÇÕýÈ·Çø·Öfake/true£¬Èç¹ûÎÒÃÇÒÔ1/0´ú±ítrue/fake£¬Ôò¶ÔµÚÒ»ÏîEÒòΪÊäÈë²ÉÑù×ÔÕæÊµÊý¾ÝËùÒÔÎÒÃÇÆÚÍûD(x)Ç÷½üÓÚ1£¬Ò²¾ÍÊǵÚÒ»Ïî¸ü´ó¡£Í¬ÀíµÚ¶þÏîEÊäÈë²ÉÑù×ÔGÉú³ÉÊý¾Ý£¬ËùÒÔÎÒÃÇÆÚÍûD(G(z))Ç÷½üÓÚ0¸üºÃ£¬Ò²¾ÍÊÇ˵µÚ¶þÏîÓÖÊǸü´ó¡£ËùÒÔÊÇÕâÒ»²¿·ÖÊÇÆÚÍûѵÁ·Ê¹µÃÕûÌå¸ü´óÁË£¬Ò²¾ÍÊÇmaxDµÄº¬ÒåÁË¡£Õⲿ·ÖÖ»¸üÐÂDµÄ²ÎÊý¡£
µÚ¶þ²¿·Ö±£³ÖD²»±ä£¨²»½øÐвÎÊý¸üУ©£¬ÑµÁ·G£¬Õâ¸öʱºòÖ»ÓеڶþÏîEÓÐÓÃÁË£¬¹Ø¼üÀ´ÁË£¬ÒòΪÎÒÃÇÒªÃÔ»óD£¬ËùÒÔÕâʱ½«labelÉèÖÃΪ1(ÎÒÃÇÖªµÀÊÇfake£¬ËùÒԲŽÐÃÔ»ó)£¬Ï£ÍûD(G(z))Êä³ö½Ó½üÓÚ1¸üºÃ£¬Ò²¾ÍÊÇÕâÒ»ÏîԽСԽºÃ£¬Õâ¾ÍÊÇminG¡£µ±È»ÅбðÆ÷ÄÄÓÐÕâôºÃºýŪ£¬ËùÒÔÕâ¸öʱºòÅбðÆ÷¾Í»á²úÉú±È½Ï´óµÄÎó²î£¬Îó²î»á¸üÐÂG£¬ÄÇôG¾Í»á±äµÃ¸üºÃÁË£¬Õâ´ÎûÓÐÆ¹ýÄ㣬ֻÄÜÏ´θüŬÁ¦ÁË£¨Òý×Ôhttps://www.cnblogs.com/walter-xh/p/10051634.html£©¡£ÕâʱºòÖ»¸üÐÂGµÄ²ÎÊý¡£
´ÓÁíÒ»¸ö½Ç¶È¿´GANs£¬ÅбðÆ÷£¨D£©Ï൱ÓÚÒ»ÖÖÌØÊâµÄËðʧº¯Êý£¨ÓÉÉñ¾¾ÍøÂç¹¹³É£¬²»Í¬ÓÚ´«Í³µÄL1¡¢L2¡¢½»²æìصÈËðʧº¯Êý£©¡£
ÁíÍâGANsѵÁ··½Ê½ÌØÊ⣬´æÔÚÌݶÈÏûʧ¡¢Ä£Ê½±ÀÀ£µÈÎÊÌ⣨ĿǰºÃÏñÓа취¿ÉÒÔ½â¾ö£©£¬µ«ÆäÉè¼ÆË¼ÏëȷʵÊÇÉî¶Èѧϰʱ´úÒ»¸öΰ´óµÄ·¢Ã÷¡£
1.6 С½á
»ùÓÚÉî¶ÈѧϰµÄͼÏñÓïÒå·Ö¸îÄ£ÐÍ´ó¶à×ñѱàÂëÆ÷-½âÂëÆ÷Ìåϵ½á¹¹£¬ÈçU-Net¡£½ü¼¸ÄêµÄÑо¿³É¹û±íÃ÷£¬ÅòÕ;í»ýºÍÌØÕ÷½ð×ÖËþ³Ø¿ÉÒÔ¸ÄÉÆU-Net·ç¸ñµÄÍøÂçÐÔÄÜ¡£ÔÚµÚ2½ÚÖУ¬ÎÒÃÇ×ܽáһϣ¬ÈçºÎ½«ÕâЩ·½·¨¼°Æä±äÌåÓ¦ÓÃÓÚҽѧͼÏñ·Ö¸î¡£
2. ÍøÂç½á¹¹´´ÐÂÔÚҽѧͼÏñ·Ö¸îÖеÄÓ¦ÓÃ
Õⲿ·Ö½éÉÜÒ»Ð©ÍøÂç½á¹¹´´ÐÂÔÚ2D/3DҽѧͼÏñ·Ö¸îÖеÄÓ¦ÓÃÑо¿³É¹û¡£
2.1 »ùÓÚÄ£ÐÍѹËõµÄ·Ö¸î·½·¨
ΪÁËʵÏÖʵʱ´¦Àí¸ß·Ö±æÂʵÄ2D/3DҽѧͼÏñ£¨ÀýÈçCT¡¢MRIºÍ×éÖ¯²¡ÀíѧͼÏñµÈ£©£¬Ñо¿ÈËÔ±Ìá³öÁ˶àÖÖѹËõÄ£Ð͵ķ½·¨¡£wengµÈÈËÀûÓÃNAS¼¼ÊõÓ¦ÓÃÓÚU-NetÍøÂ磬µÃµ½ÁËÔÚCT£¬MRIºÍ³¬ÉùͼÏñÉϾßÓиüºÃµÄÆ÷¹Ù/Ö×Áö·Ö¸îÐÔÄܵÄСÐÍÍøÂç¡£Bruggerͨ¹ýÀûÓÃ×é¹éÒ»»¯£¨group
normalization £©ºÍLeaky-ReLU£¨leaky ReLU function£©£¬ÖØÐÂÉè¼ÆÁËU-Net¼Ü¹¹£¬ÒÔÊ¹ÍøÂç¶Ô3DҽѧͼÏñ·Ö¸îµÄ´æ´¢Ð§Âʸü¸ß¡£Ò²ÓÐÈËÉè¼ÆÁ˲ÎÊýÁ¿¸üÉÙµÄÀ©Õží»ýmodule¡£ÆäËûһЩģÐÍѹËõµÄ·½·¨»¹ÓÐÈ¨ÖØÁ¿»¯£¨Ê®Áùλ¡¢°Ëλ¡¢¶þÖµÁ¿»¯£©¡¢ÕôÁó¡¢¼ôÖ¦µÈµÈ¡£
2.2 ±àÂë-½âÂë½á¹¹µÄ·Ö¸î·½·¨
DrozdalÌá³öÁËÒ»ÖÖÔÚ½«Í¼ÏñËÍÈë·Ö¸îÍøÂç֮ǰӦÓüòµ¥µÄCNNÀ´¶ÔÔʼÊäÈëͼÏñ½øÐйéÒ»»¯µÄ·½·¨£¬Ìá¸ßÁ˵¥×ÓÏÔ΢¾µÍ¼Ïñ·Ö¸î¡¢¸ÎÔàCT¡¢Ç°ÁÐÏÙMRIµÄ·Ö¸î¾«¶È¡£GuÌá³öÁËÔÚÖ÷¸ÉÍøÂçÀûÓÃÀ©Õží»ýÀ´±£ÁôÉÏÏÂÎÄÐÅÏ¢µÄ·½·¨¡£VorontsovÌá³öÁËÒ»ÖÖͼµ½Í¼µÄÍøÂç¿ò¼Ü£¬½«¾ßÓÐROIµÄͼÏñת»»ÎªÃ»ÓÐROIµÄͼÏñ£¨ÀýÈç´æÔÚÖ×ÁöµÄͼÏñת»»ÎªÃ»ÓÐÖ×ÁöµÄ½¡¿µÍ¼Ïñ£©£¬È»ºó½«Ä£ÐÍÈ¥³ýµÄÖ×ÁöÌí¼Óµ½ÐµĽ¡¿µÍ¼ÏñÖУ¬´Ó¶ø»ñµÃ¶ÔÏóµÄÏêϸ½á¹¹¡£ZhouµÈÈËÌá³öÁËÒ»ÖÖ¶ÔU-NetÍøÂçµÄÌøÔ¾Á¬½ÓÖØÐ²¼Ïߵķ½·¨£¬²¢ÔÚÐØ²¿µÍ¼ÁÁ¿CTɨÃèÖеĽá½Ú·Ö¸î£¬ÏÔ΢¾µÍ¼ÏñÖеĺ˷ָ¸¹²¿CTɨÃèÖеĸÎÔà·Ö¸îÒÔ¼°½á³¦¾µ¼ì²éÊÓÆµÖеÄÏ¢Èâ·Ö¸îÈÎÎñÖвâÊÔÁËÐÔÄÜ¡£Goyal½«DeepLabV3Ó¦Óõ½Æ¤·ô¾µ²ÊɫͼÏñ·Ö¸îÖУ¬ÒÔÌáȡƤ·ô²¡±äÇøÓò¡£
2.3 »ùÓÚ×¢ÒâÁ¦»úÖÆµÄ·Ö¸î·½·¨
NieÌá³öÁËÒ»ÖÖ×¢ÒâÁ¦Ä£ÐÍ£¬Ïà±ÈÓÚbaselineÄ£ÐÍ£¨V-NetºÍFCN£©£¬¿ÉÒÔ¸ü׼ȷµØ·Ö¸îǰÁÐÏÙ¡£SinHaÌá³öÁËÒ»ÖÖ»ùÓÚ¶à²ã×¢ÒâÁ¦»úÖÆµÄÍøÂ磬ÓÃÓÚMRIͼÏñ¸¹²¿Æ÷¹Ù·Ö¸î¡£QinµÈÈËÌá³öÁËÒ»¸öÀ©Õží»ýÄ£¿é£¬ÒÔ±£Áô3DҽѧͼÏñµÄ¸ü¶àϸ½Ú¡£ÆäËû»ùÓÚ×¢ÒâÁ¦»úÖÆµÄҽѧͼÏñ·Ö¸îÂÛÎÄ»¹Óкܶࡣ
2.4 »ùÓÚ¶Ô¿¹Ñ§Ï°µÄ·Ö¸îÍøÂç
KhosravanÌá³öÁË´ÓCTɨÃèÖнøÐÐÒÈÏÙ·Ö¸îµÄ¶Ô¿¹ÑµÁ·ÍøÂç¡£SonÓÃÉú³É¶Ô¿¹ÍøÂç½øÐÐÊÓÍøÄ¤Í¼Ïñ·Ö¸î¡£XueʹÓÃÈ«¾í»ýÍøÂç×÷ΪÉú³É¶Ô¿¹¿ò¼ÜÖеķָîÍøÂ磬ʵÏÖÁË´ÓMRIͼÏñ·Ö¸îÄÔÖ×Áö¡£»¹ÓÐÆäËûһЩ³É¹¦Ó¦ÓÃGANsµ½Ò½Ñ§Í¼Ïñ·Ö¸îÎÊÌâµÄÂÛÎÄ£¬²»ÔÙÒ»Ò»Áо١£
2.5 »ùÓÚRNNµÄ·Ö¸îÄ£ÐÍ
µÝ¹éÉñ¾ÍøÂ磨RNN£©Ö÷ÒªÓÃÓÚ´¦ÀíÐòÁÐÊý¾Ý£¬³¤¶ÌÆÚ¼ÇÒäÍøÂ磨LSTM£©ÊÇRNNµÄÒ»¸ö¸Ä½ø°æ±¾£¬LSTMͨ¹ýÒýÈë×Ô»·£¨self-loops£©Ê¹µÃÌݶÈÁ÷Äܳ¤ÆÚ±£³Ö¡£ÔÚҽѧͼÏñ·ÖÎöÁìÓò£¬RNNÓÃÓÚ¶ÔͼÏñÐòÁÐÖеÄʱ¼äÒÀÀµÐÔ½øÐн¨Ä£¡£BinµÈÈËÌá³öÁËÒ»ÖÖ½«È«¾í»ýÉñ¾ÍøÂçÓëRNNÈںϵÄͼÏñÐòÁзָîËã·¨£¬½«Ê±¼äά¶ÈÉϵÄÐÅÏ¢ÄÉÈëÁË·Ö¸îÈÎÎñ¡£GaoµÈÈËÀûÓÃCNNºÍLSTMÀ´¶ÔÄÔMRIÇÐÆ¬ÐòÁÐÖеÄʱ¼ä¹ØÏµ½øÐн¨Ä££¬ÒÔÌá¸ß4DͼÏñÖеķָîÐÔÄÜ¡£LiµÈÈËÏÈÓÃU-Net»ñµÃ³õʼ·Ö¸î¸ÅÂÊͼ£¬ºóÓÃLSTM´Ó3D
CTͼÏñÖнøÐÐÒÈÏٷָ¸ÄÉÆÁË·Ö¸îÐÔÄÜ¡£ÆäËûÀûÓÃRNN½øÐÐҽѧͼÏñ·Ö¸îµÄÂÛÎÄ»¹Óкܶ࣬²»ÔÙÒ»Ò»½éÉÜ¡£
2.6 С½á
Õⲿ·ÖÄÚÈÝÖ÷ÒªÊÇ·Ö¸îËã·¨ÔÚҽѧͼÏñ·Ö¸îÖеÄÓ¦Óã¬ËùÒÔ´´Ðµ㲢²»¶à£¬Ö÷Òª»¹ÊǶԲ»Í¬¸ñʽ£¨CT»¹ÊÇRGB£¬ÏñËØ·¶Î§£¬Í¼Ïñ·Ö±æÂʵȵȣ©µÄÊý¾ÝºÍ²»Í¬²¿Î»Êý¾ÝµÄÌØµã£¨ÔëÉù¡¢¶ÔÏóÐÎ̬µÈµÈ£©£¬¾µäÍøÂçÐèÒªÕë¶Ô²»Í¬Êý¾Ý½øÐиĽø£¬ÒÔÊÊÓ¦ÊäÈëÊý¾Ý¸ñʽºÍÌØÕ÷£¬ÕâÑùÄܸüºÃµÄÍê³É·Ö¸îÈÎÎñ¡£ËäȻ˵Éî¶ÈѧϰÊǸöºÚºÐ£¬µ«ÕûÌåÉÏÄ£Ð͵ÄÉè¼Æ»¹ÊÇÓÐÕ¿Éѵģ¬Ê²Ã´²ßÂÔ½â¾öʲôÎÊÌâ¡¢Ôì³ÉʲôÎÊÌ⣬¿ÉÒÔ¸ù¾Ý¾ßÌå·Ö¸îÎÊÌâ½øÐÐÈ¡ÉᣬÒÔ´ïµ½×îÓŵķָîÐÔÄÜ¡£
|