CNN扩展之U-Net

1.CNN现状

1.由于可用训练集的大小，并考虑到网络的大小，卷积神经网络（CNN）有一定的缺陷

2.在很多视觉任务上，特别是在医学图像处理，期望的输出应该包含定位，即为每个像素分配类别标签，而不是传统的给每张图片一个类别标签

2.U-Net网络结构

网络结构说明：

1.收缩路径（左边），每一步由两个重复的3*3卷积核组成，且均使用修正线性单元Relu激活函数，和一个用于下采样的步长为2的2*2最大池化操作，在每个下采样步骤中，我们将特征频道的数量加倍

2.扩张路径（右边），每一步都包含对特征图进行上采样，用2*2的卷积核进行卷积运算（上卷积），用于减少一半的特征通道数量；再用两个3*3的卷积核进行卷积运算

3.最后一层，用1*1的卷积核进行卷积运算，将每个64维的特征向量映射网络的输出层

3.U-Net技术创新点：

1.在上采样部分，我们还有大量的特征通道，允许网络将上下文信息传递到更高分辨率的层