【无标题】

最近在复现论文过程中发现同一个模型在训练过程中表现区别差异性过大，再回头仔细看一遍。。。

unet

u-net模型非常经典，主要是由一个捕获上下文的收缩路径和能够实现精确定位的对称扩展路径组成。u-net主要是在数据集数量较少的情况下进行端到端的训练。

在unet提出之前在医学图像领域较为出色的是滑动窗口卷积网络

滑动窗口卷积网络主要是在滑动窗口设置中训练一个网络，通过在窗口内像素周围提供一个局部补丁来预测输入像素的类标签。但是，这也造成了每个补丁单独运行且由于重叠的补丁导致大量冗余；其次、在定位精度和上下文的使用之间存在一种权衡。更大的补丁需要更多的最大池化层，从而降低了定位精度，而小的补丁只允许网络看到很少的上下文。

在u-net中最主要的就是通过连续的层来替代深度卷积网络中的收缩路径，同时由于层的不连续，使得只使用了每个卷积的有效部分，有效的保留了上下文的信息。
在上采样部分使用了大量的特征通道，在与收缩路径的特征结合，直到最后使用一个连续的卷积层来学习一个更精确的输出。