去噪深度卷积网络实战扩展（四）——U-net网络实战讲解

各位同学，继上节课给大家介绍了深度学习去噪一款优秀的神经网络——DnCNN之后，再给大家带来另一款性能优异的神经网络U-net。

U-net的特点是包含压缩路径和扩展路径的对称U形结构，U-net在一定程度上影响了后面若干个分割网络的设计，该网络的名字也是取自其U形形状。

U-Net的一篇经典论文是《U-Net: Convolutional Networks for Biomedical Image Segmentation》，来自德国的Olaf Ronneberger，下面我们来给大家讲解U-Net的主要原理。

U-Net的实验是一个比较简单的ISBI cell tracking数据集，由于本身的任务比较简单，U-Net仅仅通过30张图片并辅以数据扩充策略便达到非常低的错误率，拿了当届比赛的冠军。

一、U-Net的网络讲解

U-Net的U形结构如图所示。网络是一个经典的全卷积网络。网络的输入是一张572*572的边缘经过镜像操作的图片（input image tile）。

网络的左侧是由卷积和Max Pooling构成的一系列降采样操作，作者中将这一部分叫做压缩路径（contracting path）。压缩路径由4个block组成，每个block使用了3个有效卷积和1个Max Pooling降采样，每次降采样之后Feature Map的个数乘2，因此有了图中所示的Feature Map尺寸变化。最终得到了尺寸为 32*32的Feature Map。

网络的右侧部分在论文中叫做扩展路径（expansive path）。同样由4个block组成，每个block开始之前通过反卷积将Feature Map的尺寸乘2，同时将其个数减半（最后一层略有不同），然后和左侧对称的压缩路径的Feature Map合并（这个特点是U-net的最大创新点），由于左侧压缩路径和右侧扩展路径的Feature Map的尺寸不一样，U-Net是通过将压缩路径的Feature Map裁剪到和扩展路径相同尺寸的Feature Map进行归一化的（即图中左侧虚线部分）。扩展路径的卷积操作依旧使用的是有效卷积操作，最终得到的Feature Map的尺寸是388*388 。由于该任务是一个二分类任务，所以网络有两个输出Feature Map。

U-net能实现什么应用呢？作者是搞医学研究的，因此他在医学图像分割领域取得了较大的成果。

如图所示，作者将细胞图片经过U-net处理后，得到了更清晰的细胞结构。

二、U-Net在地震去噪中的实验

为了测试U-Net网络的性能到底如何，我们利用前面的地震仿真数据进行测试。网络模型代码是这样的：

与原来作者的网络结构相比，大部分代码都相同，但是我们也进行了细微的改动。

一是卷积过滤层数减少了1/4。因为我们输入的数据尺寸减少了1/4。这样训练的网络训练参数就从3000多万减少到了100多万，速度大大提升。

二是网络最后一层从sigmod改为tanh，loss函数改为mean_squared_error。因为我们去噪是线性回归问题，所以不能使用逻辑回归的函数。

经过1个多小时的训练，最后的去噪效果是这样的：

视觉效果看起来还不错，去除的噪声很干净。不过有效信号的损失也很大，所以PSNR值比较低，这还需要未来的调优。

好了，以上就是今天的课程。今天讲解了U-net的主要原理，并进行了地震去噪实验。其实U-net的特点除了网络结构新颖之外，数据增强功能也很强大。还有U-net的长处是分割问题，比如可以用到地震断层的识别、油气藏识别等应用，这些将在未来的课程来探讨。如果你想获取代码，或有问题讨论，都欢迎联系我交流。下节课再见。