语义分割的UNET网络结构

Unet是2015年诞生的模型，它几乎是当前segmentation项 目中应用最广的模型。

Unet能从更少的训练图像中进行学习。

当它在少于 40 张图 的生物医学数据集上训练时，IOU 值仍能达到 92%。

U-net网络非常简单，前半部分作用是特征提取，后半部分是上采样。 在一些文献中也把这样的结构叫做编码器-解码器结构。 由于此网络整体结构类似于大写的英文字母U，故得名U-net。

1
2
3
4
U-net与其他常见的分割网络有一点非常不同的地方：U-net采用了
完全不同的特征融合方式：拼接（tf.concat）
U-net采用将特征在channel维度拼接在一起，形成更厚的特征。
而FCN融合时使用的对应点相加，并不形成更厚的特征。

语义分割网络在特征融合两种办法

语义分割网络在特征融合时有两种办法：

  1. FCN式的对应点相加，对应于TensorFlow中的tf.add()函数；
  2. U-net式的channel维度拼接融合，对应于TensorFlow的 tf.concat()函数，比较占显存。

UNET网络结构特点

1、网络对图像特征的多尺度特征识别。

2、上采样部分会融合特征提取部分的输出，这样做实际上是将多尺 度特征融合在了一起，以最后一个上采样为例，它的特征既来自第一 个卷积block的输出(同尺度特征)，也来自上采样的输出(大尺度特征)，

image-20230202182851597