UNET详解和UNET++介绍

背景介绍

自2015年以来，在生物医学图像分割领域，U-Net得到了广泛的应用。至今，U-Net已经有了很多变体。目前已有许多新的卷积神经网络设计方式，但很多仍延续了U-Net的核心思想，加入了新的模块或者融入其他设计理念。

这个分割网络的本质的结构, 即下采样、上采样和跳跃连接。

相关概念

图像分割

简单的来讲就是给一张图像，图像分割出一个物体的准确轮廓。也这样考虑，给出一张图像 Ｉ，这个问题就是求一个函数，从I映射到Mask。求这个函数有很多方法，但是第一次将深度学习结合起来的是全卷积网络(FCN)，利用深度学习求这个函数。

全卷积网络(FCN)

• 很多分割网络都是基于FCN做改进。

• FCN是深度学习在图像分割的开山之作。在此之前深度学习一般用在分类和检测问题上。由于用到CNN，所以最后提取的特征的尺度是变小的。和我们要求的函数不一样，我们要求的函数是输入多大，输出有多大。

• 经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类（全联接层＋softmax输出），FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样, 使它恢复到输入图像相同的尺寸，最后在上采样的特征图上进行逐像素分类。解决了语义级别的图像分割问题。由于网络中只有卷积没有全连接，所以这个网络又叫全卷积网络。

• FCN优点是实现端到端分割。输入是原始数据输出是最终结果，缺点是分割结果细节不够好，可以看到FCN8s是上面讲的pool4、pool3和特征图融合，FCN16s是pool4和特征map融合，FCN32s是只有特征map，得出结果都是细节不够好，具体可以看自行车。
  作者还尝试了结合pool2发现效果并没有提升。

UNet语义分割实战：使用UNet实现对人物的抠图

友链
Unet入门总结
UNET详解和UNET++介绍（零基础）