Unet深度学习网络

2015年《U-Net: Convolutional Networks for Biomedical Image Segmentation》

先对图片进行卷积和池化，在Unet论文中是池化4次，比方说一开始的图片是224x224的，那么就会变成112x112，56x56,28x28,14x14四个不同尺寸的特征。然后我们对14x14的特征图做上采样或者反卷积，得到28x28的特征图，这个28x28的特征图与之前的28x28的特征图进行通道的拼接concat，然后再对拼接之后的特征图做卷积和上采样，得到56x56的特征图，再与之前的56x56的特征拼接，卷积，再上采样，经过四次上采样可以得到一个与输入图像尺寸相同的224x224的预测结果。

其实整体来看，这个也是一个Encoder-Decoder的结构。

Unet网络非常的简单，前半部分就是特征提取，后半部分是上采样。

Encoder：左半部分，由2个3x3的卷积层（RELU）+1个2x2的maxpooling层组成一个下采样的模块；
Decoder：右半部分，由1个上采样的卷积层（去卷积层）+特征拼接concat+2个3x3的卷积层（ReLU）反复构成；

Unet相比更早提出的FCN网络，使用拼接来作为特征图的融合方式。
FCN是通过特征图对应像素值的相加来融合特征的；
U-net通过通道数的拼接，这样可以形成更厚的特征，当然这样会更佳消耗显存；

Unet的好处我感觉是：
1、网络层越深得到的特征图，有着更大的视野域，浅层卷积关注纹理特征（低级特征），深层网络关注本质的那种特征（高级特征），所以深层浅层特征都是有格子的意义的；
2、另外一点是通过反卷积得到的更大的尺寸的特征图的边缘，是缺少信息的，毕竟每一次下采样提炼特征的同时，也必然会损失一些边缘特征，而失去的特征并不能从上采样中找回，因此通过特征的拼接，来实现边缘特征的一个找回。

自己写的pytorch代码
https://zhuanlan.zhihu.com/p/313283141