U-Net 扩张路径上拼接层（skip-connection）的作用

关于 unet 网络的架构以及各个层之间的作用，可以参考这个链接.

这篇博文主要是针对在decode中，有关通道维度拼接的原理作讲解。我会尽可能的说得言简意赅，便于各位理解。
先放一张图：

本文主要对图中紫色框的部分作出介绍。
        U-Net算法利用concat（拼接层）来融合编码和解码过程中对应位置上的特征图，使得解码器在进行上采样时能够获取到更多的高分辨率信息，进而更完善地恢复原始图像中的细节信息，提高分割精度。增加了skip connection结构的U-Net，能够使得网络在每一级的上采样过程中，将编码器对应位置的特征图在通道上进行融合。通过底层特征与高层特征的融合，网络能够保留更多高层特征图蕴含的高分辨率细节信息，从而提高了图像分割精度。跨层特征重建增强层与层之间特征信息传递的同时，进一步对高层卷积特征层中丰富的细节信息进行了利用，从而最大化地提高了网络各层中的特征信息的利用率。
        跨层特征重建：跨层特征重建模块建立在“编码器-解码器”结构的基础上，旨在将语义信息更丰富的高层卷积特征层和低层卷积特征进行融合。在网络传播的过程中，随着网络越来越深，相应特征图的感受野会越来越大，但是保留的细节信息会越来越少，而对于语义分割任务，高层卷积所保留的丰富的细节信息是非常有利用价值的。凭借跨层特征重建模块，可以更大程度地保留高层卷积中的一些重要特征信息，有利于实现更精细的分割效果。
        反卷积或上采样过程需要填补图像中很多空白内容，从无到有的生成一些东西，这个过程缺乏足够多的辅助信息。采用skip-connection的好处是，把对应尺度上的特征信息引入到上采样或反卷积过程，为后期图像分割提供多尺度多层次的信息，由此可以得到更精细的分割效果。如U-Net论文描述的分割结果一样。这比单纯用编解码器框架要好，纯粹的编解码器框架，在编码过程中压缩和丢失了大量细节信息，而这些信息很可能会有助于后期的图像分割。
附：unet论文的原文，论文地址：https://arxiv.org/abs/1505.04597