标签：Convolutional Segmentation 3DUnet 卷积 胶囊 网络 Unet CNN 向量

简读

还是源于Unet的，将Unet的模块替换成了胶囊网络，替换源于CNN中存在以下原因：

（1）CNN中的池化会丢失一部分空间信息（个人觉得这个是见仁见智的，如果不通过池化，特征提取就可能满足不了平移不变性了）

（2）CNN对旋转和仿射变换敏感（CNN的卷积有良好的平移不变性，若发生旋转特征识别就可能失效了，因此对齐是很重要的）

胶囊网络的优势：

（1）胶囊网络与卷积神经网络的最大不同在于输出类型。前者为一组向量，向量中可以包含对目标的各种维度描述（见图1），如检测鸟时可分为：体型大小、羽毛颜色、鸟喙长度等等；而后者仅为对应特征值，该值即代表该鸟类。

（2）由于胶囊网络的向量形式，当目标发生旋转或放射变换时，向量仅需改变长度或角度即可适应这种变换。而卷积神经网络则没有这种特性

（3）需求更少的训练数据但训练较为缓慢

（4）非常适用于处理密集/拥挤的场景但较难识别靠得近且类型相同的目标（如检测人眼睛和鼻子非常轻松，但检测左眼和右眼则不容易）

于是，有人结合两者，在图像分割领域搞了一个3DUnet。

下图为结果，可见本文方法即使略逊色于纯卷积的3D-Unet，也远优于过往含胶囊网络的SOTA模型。

Reference

https://mp.weixin.qq.com/s/uV2RqIpQeqCzVsg4GP9pIw

标签：Convolutional,Segmentation,3DUnet,卷积,胶囊,网络,Unet,CNN,向量
来源： https://www.cnblogs.com/Nothing-is-easy/p/16357486.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。