1、TGS盐鉴定挑战在地球各地区,地表下有大量的油气和盐层。不幸的是,很难知道大型盐矿藏在哪里。专业的地震成像图需要专家来判断是否有盐体存在。这往往存在极大的主观性,不同专家往往会给出不同的结果。TGS(地质学数据公司)有精确的地震图像和三维成像图,他们希望Kaggle的机器学习社区能够创建一种算法来自动地、准确地确定地下目标是否是盐,因此他们举办了一个TGS Salt Identification Challenge。下面这就是U-Net在这个挑战赛中成功应用的案例: 2、地图挑战-利用分割构建缺失地图 利用卫星影像确定地图区域是U-Net另一个应用领域。事实上,可以说,随着这一领域的发展而出现的应用将极大地促进测绘和环境工程师的工作。 这种方法不仅适用于国防工业,也适用于城市区域规划。例如,在建筑物检测竞赛中(https://www.crowdai.org/challenges/mapping-challenge),U-Net取得平均精度0.943,平均灵敏度0.954的结果。你可以在Github上下载这个U-Net模型的开源代码:https://github.com/neptune-ml/open-solution-mapping-challenge地图挑战赛中Neptune.ML的结果
3、U-Net对其他深度学习方法的启示
U-Net对不同体系结构以及其他计算机视觉深度学习模型也具有极大的启发意义。例如,ResNet的ResNet(RoR)概念就是一个例子。该结构可定义为U-Net体系结构的后半部分,适用于经典残差网络中的跳跃连接(skip connections)。原始ResNet(左)-RoR方法(右)从经典的ResNet模型架构可以看出,每个蓝色块都有一个跳过连接。在RoR 方法中,通过前面的连接将新的连接从输入添加到输出。在ResNet中有不同版本的RoR。如果你想了解更多细节,可以参看以下参考资料。 参考资料1. U-Net: Convolutional Networks for Biomedical Image Segmentation2. ISBI Challenge: Segmentation of neuronal structures in EM stacks3. 5 Minute Teaser Presentation of the U-net4. Autoencoders, Unsupervised Learning, and Deep Architectures5. Pattern Recognition and Image Processing6. Medical-Imaging-Semantic-Segmentation7. Open Solution to the Mapping Challenge Competition8. Residual Networks of Residual Networks: Multilevel Residual Networks9. Evaluating image segmentation models via:https://heartbeat.fritz.ai/deep-learning-for-image-segmentation-u-net-architecture-ff17f6e4c1cf