《表3 Light-Unet与U-Net的比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于生成对抗网络的自动细胞核分割半监督学习方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。