简介
UNet网络主要用在医学图像分割任务上，网络的结构特点就是：
- 全卷积网络，没有全连接层，训练参数少，模型体积小。对于医学图像，通常样本量有限，过多的网络参数会导致模型过拟合，所以UNet在医学图像分割任务上表现很好。
- 模型结构简单，形状类似U形，前半部分提取特征并下采样，后半部分skip connect 并反卷积进行上采样。使用的都是常见的op，对于模型部署有着很大的优势。
感觉写到这里，我就没什么想介绍的了，我可能太菜了。
模型结构
前面已经介绍了，模型就是一个编码器+解码器，类似U形，并且还使用了skip connection技术，我看到的不少网络都有借鉴这两个结构设计。
Unet网络结构
画图实在太复杂了，直接搬图又显得没有诚意，只能把tensorboard上的graph拿出来。上面的图因为代码设计的原因，很多步骤合并到了一起，另外箭头上很小的数字就是输入输出的tensor的shape，可惜因为有点大没办法直接保存下来。这里面的DoubleConv就是连续做两次卷积，input椭圆形小圈是下采样，可以看到图中一共4个小白圈，对应四次下采样。Up对应的就是反卷积上采样、Skip connection和DoubleConv三个过程。
DoubleConv
DoubleConv做完以后，可以看到上图有两个箭头，一个是把tensor传到下一个卷积层提取特征，另一个是用来和后面反卷积数据concatenate也就是skip connection。
subsampling
下采样就很简单，输入32x256x256，输出32x128x128，channel数没变，feature map长宽减半。
Up部分的结构本来不复杂，但是我参考的代码在实现的时候，为了让反卷积得到的tensor和前面的feature map大小一致，自己实现了padding。随着不断了解pytorch，感觉似乎没有必要这样做，直接在ConvTranspose2d里面设置参数就可以了。这导致Up部分的graph显示的很复杂，所以就没有放。
理论方面我也不怎么在行，写起来挺没感觉的，后面我将介绍一些UNet Pytorch实现以及训练相关的东西，努力！奋斗！
网友评论