人类能够通过捕获反射光线来观察图像，这是一项非常复杂的任务。那么如何对机器进行编程以执行类似的任务呢？计算机将图像视为矩阵，需要对其进行处理才能获得意义。
图像分割是将图像分割成各个片段的方法，每个片段具有不同的实体。卷积神经网络对于更简单的图像是成功的，但是对于复杂图像没有给出好的结果。这是U-Net和Res-Net等其他算法发挥作用的地方。
背景 - 卷积神经网络（CNN）
CNN类似于具有各种中子的神经网络，具有可学习的重量和偏差。给每个神经元提供多个输入，执行加权和，应用激活函数并给出输出。网络具有丢失功能，用于最小化权重误差。机器将图像看作像素矩阵，图像分辨率为hxwxd，其中h是高度，w是宽度，d是尺寸。d取决于色标，如RGB刻度为3，灰度为1。在CNN中，图像被转换成主要用于分类问题的向量。但是在U-Net中，图像被转换为矢量，然后使用相同的映射将其再次转换为图像。这通过保留图像的原始结构来减少失真。
当需要将整个图像分类为类标签时，主要使用CNN。但是许多任务需要对图像的每个像素进行分类。这由U-net和Res-Net解决。
U-Net架构
U-Net包括卷积操作，最大池，ReLU激活，级联和上采样层以及三个部分：收缩，瓶颈和扩展部分。收缩部分有4个收缩块。每个收缩块获得一个输入，应用两个3X3卷积ReLu层，然后是2X2最大池。每个池层的要素图数量增加一倍。瓶颈层使用两个3X3 Conv层和2X2 up卷积层。扩展部分由几个扩展块组成，每个块将输入传递到两个3X3 Conv层，以及一个2X2上采样层，将特征通道数量减半。它还包括与合同路径中相应裁剪的特征映射的串联。到底，1X1 Conv层用于使要素图的数量与输出中所需的段数相同。U-net对图像的每个像素使用损失函数。这有助于轻松识别分割图中的单个细胞。Softmax应用于每个像素，然后是损失函数。这会将分割问题转换为分类问题，我们需要将每个像素分类到其中一个类。
残差网络（Res-Net）
在传统的神经网络中，更多的层意味着更好的网络，但由于消失的梯度问题，第一层的权重将不会通过反向传播正确更新。当误差梯度向后传播到较早的层时，重复乘法会使梯度变小。因此，随着网络中更多层，其性能变得饱和并开始迅速减少。Res-Net通过使用单位矩阵解决了这个问题。当通过身份函数完成反向传播时，梯度将仅乘以1.这样可以保留输入并避免信息丢失。
网络的组件包括3X3滤波器，具有步幅2的CNN下采样层，全局平均汇集层和最终具有softmax的1000路全连接层。
ResNet使用跳过连接，其中原始输入也被添加到卷积块的输出。这有助于通过允许梯度的替代路径流过来解决消失梯度的问题。此外，它们使用身份功能，这有助于更高层执行与更低层一样好，而不是更糟。
在传统的神经网络中，每层都会进入下一层。但是在具有残余块的网络中，每个层都会进入下一层，并直接进入层中的一些跳跃。
考虑一个神经网络块，其输入为x，我们希望学习真正的分布H（x）。输出和输入之间的残差可以表示为
R（x）=输出 - 输入= H（x） - x
传统网络中的层学习真实输出（H（x）），而残余网络中的层学习残差（R（x））。
希望这篇文章对Res-Nets和U-Nets有用。谢谢阅读！另外，在评论中添加我应该添加的任何其他要点或概念！
若有收获，就点个赞吧
0 人点赞
