图像分割

UNet

U-Net: Convolutional Networks for Biomedical Image Segmentation 2015

图像分割必备知识点 | Unet详解 理论+ 代码

U-Net是一种常用的卷积神经网络结构，特别适用于图像分割任务。它由Olaf Ronneberger等人在2015年提出，并因其在生物医学图像分割中的出色表现而受到广泛关注

U-Net的整体结构呈U字形，因此得名。它包含两个主要部分：编码器(Encoder)和解码器(Decoder)

  • 编码器由一系列卷积层和池化层组成，用于提取图像中的特征并逐渐缩小感受野
  • 解码器由一系列反卷积层和跳跃连接(Skip Connection)组成，用于将编码器提取的特征映射重新放大，并与解码器中的特征进行融合
  • 跳跃连接的作用是将底层的细节信息传递给解码器，有助于更好地恢复分割结果的细节

U-Net的设计思想是在特征提取的同时保留更多的上下文信息，以及保留高分辨率的细节。通过编码器和解码器之间的特征传递和融合，U-Net能够同时获得局部和全局的上下文信息，并生成细致准确的分割结果

由于其简单而有效的结构，U-Net在医学图像分割、语义分割、遥感图像分析等领域得到了广泛应用，并成为图像分割任务中的经典模型之一

语义分割

实例分割