图像识别技术与应用（二十）

本节课我们深入学习了net算法系列中的U-net、U-net++和U-net+++。U-net是一种经典的卷积神经网络架构，广泛应用于图像分割任务，其独特的U形结构结合了编码器和解码器，能够有效地捕捉图像的上下文信息并生成精确的分割结果。；U-net++ 在 U-net 的基础上进行优化，通过引入更复杂的跳跃连接（密集跳跃连接）和嵌套结构，提升了分割精度，进一步增强了特征传递和信息融合；U-net+++ 则进一步创新，通过更复杂的网络结构和多层次的特征融合，进一步提高了模型的性能，实现了更好的分割效果。这三种算法各有特点和优势，通过对它们的学习，有助于深入理解图像分割算法的发展和演进，并为相关领域的研究和应用提供了坚实的理论基础。这些算法在医学图像分割等领域展现了强大的能力，为图像处理任务提供了重要的技术支持。

U-net

整体结构： 概述就是编码解码过程 ；简单但是很实用 ，应用广 ； 起初是做医学方向 ， 现在也是

主要网络结构：还引入了特征拼接操作 M；以前我们都是加法 ， 现在全都要；这么简单的结构就能把分割任务做好

在医学图像分割领域应用广泛，如细胞、器官等的分割，也用于自然图像中目标物体的分割，为后续的分析和处理提供基础。

U-net++

整体网络结构：特征融合 ，拼接更全面；其实跟densenet思想一致；把能拼能凑的特征全用上就是升级版了

Deep Supervision ： 也是很常见的事 ， 多输出； 损失由多个位置计算 ， 再更新 ；现在来看 ， 很多视觉任务都可以套用这招

在医学图像的精细分割任务中表现出色，如对肿瘤边界的精确划分，以及在一些需要高精度分割的生物图像分析场景中也有广泛应用。

可以更容易剪枝：因为前面也单独有监督训练； 可以根据速度要求来快速完成剪枝；训练的时候同样会用到L4 ，效果还不错

U-net+++

不同的max pool整合低阶特征 （X1和X2 ， 轮廓之类的）上采样整合高阶特征 （感受野大的 ， 全局的）；各层统一用卷积得到64个特征图     

5*64 =320 ， 最终组合得到全部特征

适用于对分割精度要求极高的场景，如工业检测中的微小缺陷检测、卫星图像中复杂地形地物的分割等，能够准确地识别和分割出目标对象，为相关决策提供准确的数据支持。