用于二维生物医学语义分割的 U-Net 训练中的归一化

二维生物医学语义分割对于手术中的机器人视觉十分重要。基于深度卷积神经网络（DCNN）的分割方法在准确性与自动化程度方面均优于传统方法。训练用于生物医学语义分割的 DCNN 的一个常见问题是内部协变量偏移，即卷积核的训练受输入特征分布变化所累，从而降低了训练速度与性能。批归一化（BN）是首个针对内部协变量偏移提出的方法并被广泛使用。实例归一化（IN）与层归一化（LN）亦已被提出。组归一化（GN）提出较晚，尚未应用于二维生物医学语义分割，然而并未给出针对 GN 的具体验证。大多数用于生物医学语义分割的 DCNN 默认采用 BN 作为归一化方法，而未审视其性能。本文详细比较了 BN、IN、LN 与 GN 四种归一化方法在二维生物医学语义分割中的表现。采用 U-Net 作为基础 DCNN 结构。使用涉及右心室（RV）、主动脉与左心室（LV）的三个数据集进行验证。结果表明，特征图的细致划分，即具有较大组数或 IN 的 GN，取得了更高的精度。该精度提升主要源于更好的模型泛化能力。代码已上传并维护于 Xiao-Yun Zhou 的 Github。