『神经网络』UNet++

---

一、网络结构

UNet++ 的目标是通过在编码器和解码器之间加入 Dense block 和 卷积层 来提高分割精度。

UNet++ 在原始的 U-Net 上加了3个东西：

1. 重新设计的跳跃路径（显示为绿色）：以弥补编码器和解码器子路径之间的语义差别
2. 密集跳跃连接（显示为蓝色）
3. 深度监督（显示为红色）

1.1 重新设计的跳跃路径

• 在 UNet++ 中，增加了重新设计的跳跃路径(绿色显示)，以弥补编码器和解码器子路径之间的语义差别。
• 这些卷积层的目的是减少编码器和解码器子网络的特征映射之间的语义差距。因此，对于优化器来说，这可能是一个更直接的优化问题。
• U-Net 采用跳跃连接，直接连接编码器和解码器之间的特征映射，导致把语义上不相似的特征映射相融合。然而，在 UNet++ 中，相同 dense block 的前一个卷积层的输出与较低层 dense block 对应的上采样输出进行融合。这使得已编码特征的语义级别更接近于等待在解码器中的特征映射的语义级别，因此，当接收到语义上相似的特征映射时，优化更容易。

1.2 密集跳跃连接

• 在 UNet++ 中，密集跳跃连接(用蓝色显示)实现了编码器和解码器之间的跳跃路径。这些 Dense blocks 是受到 DenseNet 的启发，目的是提高分割精度和改善梯度流。
• 密集跳跃连接确保所有先验特征图都被累积，并通过每个跳跃路径上的 dense 卷积块而到达当前节点。这将在多个语义级别生成完整分辨率的特征映射。