帮助我自己理解U-Net网络结构讲解的小知识点

1.上采样和下采样

UNet 网路结构左半部分是下采样：图片尺寸变小，图片变得模糊；

UNet 网路结构右半部分是上采样：图片尺寸变大，图片变得清晰。

下采样：将高分辨率图像降维到低分辨率图像的过程，常见的方法包括平均池化、最大池化和卷积池化等。

上采样：将低分辨率图像放大到高分辨率图像的过程，常见的方法包括最近邻插值、双线性插值和三次插值等。

上采样和下采样的目的是为了适应不同的任务需求，例如：

在特征提取、图像压缩和迁移学习中，需要将高分辨率图像下采样到低分辨率图像。（UNet 左半部分就是在进行特征提取、图像压缩）

在目标检测、图像分割和超分辨率重建等任务中，需要将低分辨率图像上采样到高分辨率图像。（UNet 右半部分就是在进行图像分割）

# 我们首先导入了PyTorch的nn模块，然后定义了一个上采样函数upsample，设置了尺度因子为2，插值模式为双线性插值，不进行像素对齐。
# 接着我们生成了一个大小为128x128的随机输入图像input_image，将其传递给上采样函数upsample后，得到了大小为256x256的输出图像output_image。

import torch
import torch.nn as nn

# 定义上采样函数

upsample = nn.Upsample(scale_factor=2, mode='bilinear', align_corners=False)
# 假设输入图像大小为128x128，输出图像大小为256x256
input_image = torch.randn(1, 3, 128, 128)
output_image = upsample(input_image)
print(input_image.shape)
print(output_image.shape)

输出结果：

2. ReLU 函数

ReLU，全称Rectified linear unit，是现代神经网络中最常用的激活函数，函数公式：

当  时，这时候函数值是与x正相关，当检测特征信号越强时，得到的结果越强；

当  时，说明该特征对结果有负影响，那么所有信号结果都转化为0，去除负影响。

3. BN模块

Batch Normalization是15年一篇论文中提出的数据归一化方法。

内容有点多，具体的可以见知乎。

4. up-conv

转置卷积，详情见这位博主写的。写的很细！！

http://t.csdnimg.cn/4pMlghttp://t.csdnimg.cn/4pMlg

4. max pool

最大池化可以提取出指定窗口的特征（最大）数据，显著减少了特征图（特征张量的大小）。

为什么彩色图片经过卷积后变成了灰度图？

答：卷积层会把所有输入的通道进行卷积后求和。

而最大池化层仍会保留原来的输入通道！所以，这样操作依旧是彩色图片。