文件内容课堂总结

U-net基础模型
核心结构：经典的编码器-解码器架构，通过特征拼接（跳跃连接）实现浅层与深层特征的融合。 
特点 
设计简单但实用，医学图像分割领域开创性应用（如细胞、组织分割）。 
采用「加法特征拼接」替代传统方法，提升分割精度。
至今仍是医疗影像分析的主流框架。 
U-net++改进版 
结构升级： 
引入密集连接（DenseNet思想），通过多层次特征融合增强信息传递。
特征金字塔结构实现更全面的跨尺度特征拼接。 
核心技术：
深度监督（Deep Supervision）：多层级输出联合计算损失，提升训练效率。 
支持模型剪枝：因各层独立监督，可依据计算资源需求灵活剪枝模型深度，平衡速度与精度。 
U-net+++拓展（概念性方向） 
特征融合创新： 
通过不同池化层整合低阶特征（如X1、X2层的轮廓信息）。 
上采样过程融合高阶语义特征，实现多尺度感知。
定位：探索性改进方向，注重更精细的特征组合策略。 
通用技术价值 
跳跃连接与特征拼接思想被广泛迁移到其他视觉任务（如检测、生成模型）。
深度监督机制成为提升模型鲁棒性的常用技术手段。