关于UNet weight mapping的解读

文章目录

• 前言
• 基于权重映射的影像分类方法
• 实验结果对比
• Reference

前言

权重映射（weight mapping）最早于2015年Ronneberger提出，即UWM(U-Net weight mapping)，主要用于解决紧密相邻难以分割开的问题，如下图所示。

在遥感影像中对城区建筑物分割也同样存在这样的问题，如下方的直方图所示（为便于展示，找了个独栋的建筑物）。

从图中可以看出，建筑物的边界、内部和背景的灰度信息分布有较大差异，其中边界与背景、内部存在部分重叠，通过引入这些先验知识可使模型更有侧重的学习。权重映射可以较好地完成这个任务。
下图为权重映射后的标签。

基于权重映射的影像分类方法

在模型训练时，权重映射参与损失函数的计算，需要注意的是，本文计算的 Loss 值与 WM 尺寸相同，都为多维张量，在得到 FinalLoss 后再计算均值，计算 公式如下所示：FinalLoss = Loss*WM

实验结果对比

原图

baseline

UWM

Reference

• 基于改进权重映射的高分辨率遥感影像建筑实例分割
• U-Net: Convolutional Networks for Biomedical Image Segmentation