Unet个人理解

Unet用途：（一开始主要用于医学图像·分割，后来也在GAN中用于训练生成图像）
因形状像U(完全对称结构)故得名Unet 看下图

Unet主要可分为三部分来看分别为左（特征提取）中（copy and crop）右（上采样）
1 左：特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，通道数翻倍，例如图上的从64-128。

中（copy and crop）：在论文中叫拼接，在UNet有四个拼接操作。如上图所示：有人也叫Skip connect,这一操作的目的是为了融合特征信息，使深层和浅层的信息融合起来，在拼接的时候要注意，不仅图片大小要一致（故要crop,是为了使图片大小一致）而且特征的维度（channels）也要才一样，才可以拼接。

右（上采样部分 up-conv）也叫扩张网络，图片尺寸变大，提取的是深层信息，使用了四个上采样，在上采样的过程中，图片的通道数是减半的，与左部分的特征提取通道数的变化相反。在上采样的过程融合了左边的浅层的信息即拼接了左边的特征。

通过这些上采样然后最终输出语义分割图。以上是个人理解，有不当之处欢迎指正。