共计 1616 个字符，预计需要花费 5 分钟才能阅读完成。
Half-UNet 简化了编码器和解码器，还应用了 Ghost 模块(GhostNet)。并从新设计的体系结构，把通道数进行对立。
论文动机
编码器的不同类型的架构图，编码器 (A-C) 的构造别离来源于 U -Net 的编码器、解码器和全的 Unet 构造。
上面是上图的一些后果指标
将 U -Net 的编码器和解码器都视为编码器。通过设计单个解码器来聚合 C1 到 C16 的特色，其构造与 UNet 3+ 中的全尺寸特色聚合雷同。编码器（A）能够达到与编码器（C）相当的性能，而编码器（B）的性能显著降落。也就是说 U -Net 的解码器（图中的 B 局部）是能够被简化的并且不影响性能。
Half-UNet
1、对立通道数
上图阐明了如何在 UNet3+ 的第三解码器层中结构全尺寸聚合特色映射。
在 U -Net 和 UNet 3+ 的每一个下采样步骤中，特色通道的数量都减少了一倍，加强了特色表白的多样性。然而这减少了模型的复杂性。在 Half-UNet 中，所有特色图的通道数是对立的，也就是缩小了卷积运算中的过滤器数量。
2、全尺寸特色交融
U-Net 和 UNet 3+ 都应用串联操作进行特色交融，这须要更多的内存和计算量。而加法操作不须要额定的参数和计算复杂度。将不同比例尺的特色图上采样到原始图像的大小，而后通过加操作进行特色交融。
从上图能够看到，他只用了 unet 的编码器局部，也就是一半的 unet，所以这就是 Half-UNet 的由来
3、Ghost 模块
与规范卷积相比，Half-UNet 应用 Ghost 模块来缩小所需的参数和 FLOP。与 GhostNet 中一样，Ghost 模块应用便宜操作的同时生成更多的特色图。
应用 s=2，其中 s 示意固有特征图比例的倒数。一半的特色图由卷积生成，另一半由深度可拆散卷积生成。最初将特色图的两局部连接起来造成输入。
后果
论文应用 3 个数据集
定量后果
Half-UNet†：删除 Half-UNet 中的 Ghost 模块，在乳房 X 光图像方面优于 U-Net 及其变体，在肺结节图像方面比 Half-UNet 更靠近 U -Net。Half-UNet† 在左心室 MRI 图像方面的体现不如 Half-UNet。
与 U -Net 及其变体相比，Half-UNet(有无 Ghost 模块)具备类似的宰割精度，而参数和 flop 别离升高了 98.6% 和 81.8%。
Half-UNet†u 和 Half-UNet †d 的通道数在下采样后翻倍。解码器中的特色交融有两种策略：
1、Upsampling2D + 3×3 convolution，Half-UNet†u 和 UNet 3+ 是这样做的；
2、反卷积，也就是 Half-UNet†_d 和 U -Net 所做的。
能够看到 Half-UNet†u 和 Half-UNet†d 与 Half-UNet†相比，减少了所需的 flop 和参数。
定性后果
Half-UNet、U-Net 和 UNet 3+ 在左心室 MRI 中的定性比拟。Half-UNet 能够更残缺地宰割心内膜和心外膜边界。
进一步的钻研
在 Half-UNet 子网络的左侧，因为双线性上采样和加法都是线性运算，因而简直不产生参数和计算。在 Half-UNet 子网络的右侧局部，因为输出通道数量较少(只有 64 个)，并且应用了 Ghost 模块，卷积的代价显著小于其余构造。
Half-UNet 防止了上述三种网络的问题，大大降低了所需的参数和 FLOPs。
总结
依据论文表述 U -Net 在医学图像宰割中的胜利次要归功于其分而治之的解决方案，而不是特色交融。所以作者提出了 Half-UNet，简化了特色交融局部。
依据我集体的了解，Half-UNet 除了大大减少了参数和 FLOPs 以外，应该会在宰割界线不尖利的状况体现的比 unet 更好。
论文地址：Half-UNet: A Simplified U-Net Architecture for Medical Image Segmentation
https://avoid.overfit.cn/post/b6a976d524644102bec313b1a28e0375
