深度学习之图像分割—— u2-net基本思想和网络结构以及论文补充

在这里插入图片描述
针对的任务是SOD任务（显著性目标检测）

在这里插入图片描述
特点：只有前景和背景

主要思想：大的unet中又嵌套的小的unet
在这里插入图片描述

主要以RSU-7和RSU-4F为主
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
en-5、en-6、en-7使用的是RSU-4F，因为en-4裁剪的图片已经很小了，如果再继续裁剪，那么会失去很多的上下文信息。所以把结构中的上采样下采样模块都换成了膨胀卷积。d2、d4分别代表膨胀系数是2和4。

在这里插入图片描述
如何进行融合，最终生成我们最后需要的融合特征图？
每一层通过一个33的卷积层，他们的通道数都是等于1的，再通过双线性差值的方法把图片还原到输入图像的一个尺寸，然后把6层的特征图进行一个拼接，最后再通过一个11的卷积层和sigmoid的函数生成最后的一个预测概率图。

在这里插入图片描述
实验结果对比图

在这里插入图片描述
前一部分对应的就是sup1-sup6，这6个图通过sigmoid激活函数得到对应的预测概率图，然后再与我们手工标注的gt去计算它的损失l，这里的l代表的都是二值交叉熵损失函数，这里的M是6。后一部分指的的最终得到的一个预测特征图和GT的一个损失。

在这里插入图片描述
Fβ、MAE的值是在0-1之间的，数值越大效果越好。

在这里插入图片描述