Unet

• 目标：解决生物医学图像方面的问题

  • 
  • 用于图像分割任务的深度学习架构

• 结构

  • 编码器（下采样部分）：

    • 包含一系列卷积层和池化层，用于降低输入图像的分辨率。
    • 每个下采样阶段都会减小特征图的大小，同时增加特征通道的数量，以提取图像的抽象特征。

  • 中间连接：

    • 编码器和解码器之间存在一条直通的连接，将编码器的高级特征映射与解码器的特征图相结合。这有助于保留细节信息。

  • 解码器（上采样部分）：

    • 包含一系列反卷积（或转置卷积）层和跳跃连接，用于逐步增加分辨率。
    • 每个上采样阶段都会增加特征图的大小，减少通道数，并恢复原始图像的细节。

  • 跳跃连接：

    • 将编码器的特征图与解码器的对应特征图相连接，以传递更丰富的上下文信息。
    • 跳跃连接有助于减轻梯度消失问题，同时提高模型对局部细节的感知能力。

  • 最后的卷积层：

    • 在解码器的最后一层，使用一个卷积层将特征图映射到最终的分割结果。
    • 输出通道数量通常等于任务中的目标类别数。