Unet卷积神经网络架构

UNet 是一种卷积神经网络架构，通常用于图像分割任务。它是由Olaf Ronneberger，Philipp Fischer和Thomas Brox在2015年提出的。论文题目："U-Net: Convolutional Networks for Biomedical Image Segmentation"

UNet 的体系结构基于编码器-解码器范式，其中编码器从输入图像中提取特征，解码器基于这些特征生成分割图。但是，UNet还集成了编码器和解码器之间的跳跃连接，以保留空间信息并提高分割精度。

UNet架构由两个主要部分组成：收缩路径（编码器）和扩展路径（解码器）。收缩路径由几个卷积层和池化层组成，这些层逐渐降低输入图像的空间分辨率，同时增加特征通道的数量。扩展路径由几个反卷积层组成，这些层将特征映射上采样为输入图像的原始大小。收缩路径和扩展路径之间的跳过连接使解码器能够访问编码器早期层的特征，这有助于定位分段。

UNet已被证明对各种图像分割任务非常有效，包括医学图像分析，细胞分割和卫星图像分割。它还以各种方式进行了扩展和修改，以提高其性能并适应不同类型的输入数据。

 

先通过编码器进行特征提取（input image title），再通过解码器进行特征还原（output segmentation map）

数据集的制作——>网络的实现——>训练——>效果

卷积 ——>下采样——>卷积 ——>下采样——>卷积 ——>下采样——>卷积 ——>下采样——>卷积——>上采样——>卷积——>上采样——>卷积——>上采样——>卷积——>上采样——>卷积

        下采样：下采样即缩小图像。主要目的：使得图像符合需要的大小；生成对应图像的缩略图。池化是下采样的一种形式。

        上采样：放大图像。但这并不能带来更多关于该图像的信息，因此图像的质量会受到影响。实现上采样主要可以通过内插值法和反卷积（转置卷积）法。