《表3 Light-Unet与U-Net的比较》
本节展示基于GAN的细胞核分割半监督学习方法的实验结果,并将其与深度学习分割方法进行比较,如表2所示。其中:由Ronneberger等[8]提出了U-Net网络能够很好地识别细胞核,是现存的最先进的分割方法之一;Deeplab-v2网络由Chen等[16]提出,本文将其用作分割网络,以在显微镜图像中识别细胞核。从表2可知,本文提出的模型比Deep Lab-v2有更好的分割结果,且与U-Net相比具有更少的参数量,LightUnet与U-Net的参数量和推断速度的对比如表3所示。实验时,Light-Unet中的参数设置为:Ladv=0.002,Lsemi=0.1,Tsemi=0.2。
图表编号 | XD00222687900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.10 |
作者 | 程凯、王妍、刘剑飞 |
绘制单位 | 安徽大学电气工程与自动化学院、安徽大学计算机科学与技术学院、安徽大学电气工程与自动化学院 |
更多格式 | 高清、无水印(增值服务) |