一直没有整理的习惯，导致很多对象会有所遗忘，遗漏。借着这个机会，养成一个习惯。

对现有对象做一个整理、记录，对新事物去探索、分享。

因此博客主要内容为我做过的，所学的整理记录以及新的算法、网络框架的学习。根基上是深度学习、机器学习方面的对象。

第一篇首先是深度学习图像支解——U-net网络方面的内容。后续将会尽可能系统的学习深度学习并且记录。

更新频率为每周大于即是一篇。

深度学习的图像支解来源于分类，支解即为对像素所属区域的一个分类。

有别于机器学习中使用聚类进行的图像支解，深度学习中的图像支解是个有监督问题，需要有支解金标准(ground truth)作为训练的标签。

在图像支解的过程中，网络的损掉函数一般使用Dice系数作为损掉函数，Dice系数简单的讲就是你的支解功效与支解金标准之间像素重合个数与总面积的比值。

【https://blog.csdn.net/liangdong2014/article/details/80573234，医学图像支解中常用的器量指标】

U-net参考文献：

U-net: Convolutional networks for biomedical image segmentation.

https://arxiv.org/pdf/1505.04597.pdf

　　　　　　　　　　　　　　　　　　　　U-net网络布局

U-net网络是一个基于CNN的图像支解网络，主要用于医学图像支解上，网络最初提出时是用于细胞壁的支解，之后在肺结节检测以及眼底视网膜上的血管提取等方面都有着超卓的表示。

最初的U-net网络布局如上图所示，主要由卷积层、最大池化层（下采样）、反卷积层（上采样）以及ReLU非线性激活函数构成。整个网络的过程具体如下：

最大池化层，下采样过程：

假设最初输入的图像巨细为：572X572的灰度图，颠末2次3X3x64(64个卷积核，得到64个特征图)的卷积核进行卷积操纵变为568X568x64巨细，

然后进行2x2的最大池化操纵变为248x248x64。（注：3X3卷积之后跟从有ReLU非线性调动为了描述便利所以没写出来）。

凭据上述过程反复进行4次，即进行 (3x3卷积+2x2池化) x 4次，在每进行一次池化之后的第一个3X3卷积操纵，3X3卷积核数量成倍增加。

到达最底层时即第4次最大池化之后，图像变为32x32x512巨细，然后再进行2次的3x3x1024的卷积操纵，最后变革为28x28x1024的巨细。

反卷积层，上采样过程：

此时图像的巨细为28x28x1024，首先进行2X2的反卷积操纵使得图像变革为56X56X512巨细，然后对对应最大池化层之前的图像的复制和剪裁（copy and crop），

与反卷积得到的图像拼接起来得到56x56x1024巨细的图像，然后再进行3x3x512的卷积操纵。

凭据上述过程反复进行4次，即进行（2x2反卷积+3x3卷积）x4次，在每进行一次拼接之后的第一个3x3卷积操纵，3X3卷积核数量成倍减少。

到达最上层时即第4次反卷积之后，图像变为392X392X64的巨细，进行复制和剪裁然后拼接得到392X392X128的巨细，然后再进行两次3X3X64的卷积操纵。

得到388X388X64巨细的图像，最后再进行一次1X1X2的卷积操纵。

然后得到的功效概略是这样的（下图），需要通过黄色区域的支解功效去揣度蓝色区域的支解功效，固然在实际应用中根基上都是选择连结图像巨细不乱的进行卷积（卷积后周围用0填充）。

【关于卷积、反卷积相关的内容可以参考：https://blog.csdn.net/qq_38906523/article/details/80520950】

讲完了具体怎么做的，再来讲讲U-net的优错误谬误，可以看到网络布局中没有涉及到任何的全连接层，同时在上采样过程顶用到了下采样的功效，怎么破解进入qq空间 ，

使得在深层的卷积中能够有浅层的简单特征，使得卷积的输入越发丰富，自然得到的功效也越发能够反应图像的原始信息。

（CNN卷积网络，在浅层的卷积得到的是图像的简单特征，深层的卷积得到的是反应该图像的庞大特征）

像上面说的那样，U-net网络的布局主要是对RPN(Region Proposal Network)布局的一个成长，它在靠近输入的较浅的层提取的是相对小的尺度上的信息（简单特征），

靠近输出的较深的层提取的是相对大的尺度上的信息（庞大特征），通过插手shortcut（直接将原始信息不进行任何操纵与后续的功效合并拼接）整合多尺度信息进行判断。

但是U-net网络布局仅在单一尺度长进行预测，不能很好措置惩罚惩罚尺寸变革的问题。

【天池医疗第一名队伍：https://tianchi.aliyun.com/forum/new_articleDetail.html?spm=5176.8366600.0.0.6021311f0WILtQ&raceId=231601&postsId=2947】