图像识别技术与应用（19）

 

       U-net

M 整体结构：

M 概述就是编码解码过程

       简单但是很实用 ，应用广

       起初是做医学方向 ， 现在也是

       U-net

       主要网络结构：

       还引入了特征拼接操作

M 以前我们都是加法 ， 现在全都要

       这么简单的结构就能把分割任务做好

 

       U-net++

M 整体网络结构：

       特征融合 ，拼接更全面

       其实跟densenet思想一致

       把能拼能凑的特征全用上就是升级版了

       U-net++

       Deep Supervision ：

       也是很常见的事 ， 多输出

       损失由多个位置计算 ， 再更新

       现在来看 ， 很多视觉任务都可以套用这招

       U-net++

@ 可以更容易剪枝：

M 因为前面也单独有监督训练

M 可以根据速度要求来快速完成剪枝

M 训练的时候同样会用到L4 ，效果还不错

       U-net+++（了解下就行）

       不同的max pool整合低阶特征

（X1和X2 ， 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*64 =320 ， 最终组合得到全部特征