博客

U-Net：是于2015年提出的基于FCN（全卷积神经网络）的深度网络模型，其主要解决的是医学领域的图像分割问题。简单说这个网络就是一个编码解码过程，现在仍然广泛应用于医学领域。

整体架构：

该网络结构中引入了特征拼接网络用来进行特征融合，以前我们都是加法，现在全都要，既要加法也要拼接。

升级版U-Net++：

整体架构：

在该架构中，特征融合、拼接的更加全面，其实和DenseNet的思想一致，把能够拼能凑的特征全用上，就是升级版了。

Deep Supervision：

多个输出，既然每个阶段的输出大小都是一样的，那我就把每个都用一个损失函数再加起来，损失值由多个位置进行计算再更新，现在来看，很多视觉任务都可以套用这招。这样也更容易剪枝，因为前面也单独有监督训练，可以根据速度需求来快速完成剪枝。

U-Net+++：

不同的maxpooling整合低阶特征（

和

，轮廓之类的），上采样整合高阶特征（感受野大的，全局的），各层统一用卷积得到64个特征图，5*24=320，最终组合得到全部特征。