Unet++ 语义分割

unet++论文翻译:[论文翻译]UNet++: A Nested U-Net Architecture for Medical Image Segmentation_玖零猴的博客-CSDN博客

unet++ 代码:​​​​​​GitHub - MrGiovanni/UNetPlusPlus: Official Keras Implementation for UNet++ in IEEE Transactions on Medical Imaging and DLMIA 2018y​​​​​​​y

一、Unet++网络架构 

1、未使用深监督，使用短连接的结构图

unet++是有嵌套unet网络和稠密的长短跳连接，长连接有助于上采样时特征的恢复，短跳连接有助于模型能够训练，进行反向传播

2、使用深监督和短链接结构图

深监督(deep supervision).如下图所示,具体的实现操作就是在图中 X0,1 、X0,2、 X0,3 、X0,4后面加一个1x1的卷积核，相当于去监督每个level，或者说监督每个分支的U-Net的输出。这样可以解决那个结构无法训练的问题

unet++同时使用了短链接和深监督，这带来的一个优势：剪枝 

 3、Unet++中剪枝

3.1 为什么unet++可以进行剪枝

测试时，剪掉部分对剩余结构不做影响，训练时，剪掉部分对剩余部分(重新给剩余部分分配权重)有影响 ，在深监督的过程中，每个子网络的输出都其实已经是图像的分割结果了，所以如果小的子网络的输出结果已经足够好了，我们可以随意的剪掉那些多余的部分

3.2 如何进行剪枝

同等效果下，选参数少的

3.3 剪枝的好处

• 降低内存、减少计算时间

4、Unet++为什么好？

• 可以抓取不同层次的特征，将它们通过特征叠加的方式整合，对于大小不一的目标对象的敏感度是不同的，也能减少边缘信息的在降采样和上采样被丢弃的可能性，提高精度
• 类似于Densenet 网络结构
• 可以进行剪枝(深监督)，可接受精度的范围内减少内存

二、补充 

1、降采样理论意义：

减少过拟合的风险，降低运算量，和增加感受野的大小

2、上采样意义：

把抽象的特征再还原解码到原图的尺寸

3、skip connect 跳连接

减少特征的语义缺少，对特征有很好的恢复作用