图像识别技术与应用课后总结（21）

U - net

整体结构与原理：是编码解码过程 。通过一系列卷积（conv 3x3、conv 1x1 ）、ReLU激活函数、最大池化（max pool 2x2 ）、上卷积（up - conv 2x2 ）操作，将输入图像转换为分割图输出。简单实用，应用广泛，起初用于医学领域，现在仍在该领域有大量应用。

主要网络结构：引入特征拼接操作，不同于以往单纯的加法操作，利用这种结构就能较好地完成分割任务。通过下采样（Down - sampling）和上采样（Up - sampling）以及跳跃连接（Skip connection）实现特征提取与融合 。

U - net++

整体网络结构：强调特征融合，拼接更全面，思路和densenet一致，尽可能利用所有能拼接的特征，是U - net的升级版。

Deep Supervision：通过在网络不同阶段添加监督信号（如图中的Gate 1x1 ），有助于训练和优化，提升模型性能。

U - net++ 的Deep Supervision（深度监督）

原理：采用多输出形式，在网络多个位置计算损失，然后更新网络参数 。这种方式在很多视觉任务中都适用，通过在中间层添加监督信号，帮助模型更好地训练，避免梯度消失等问题，提升模型性能。

U - net++ 的剪枝优势

- 原因：由于前面有单独的监督训练，使得U - net++ 更容易进行剪枝操作。

操作与效果：可以依据速度要求快速完成剪枝，在训练时也会用到相关策略（提到L4 ），实践证明效果不错 。通过剪枝可以去除模型中不重要的连接或参数，减小模型规模，提升推理速度，同时尽量不影响模型精度。

U - net+++

特征整合方式：利用不同尺度的最大池化（max pool）整合低阶特征（如X1和X2 ，可包含轮廓等信息 ），上采样操作整合高阶特征（具有大感受野，全局信息 ）。

特征图生成：各层通过卷积统一得到64个特征图 ，最后将这些特征组合（5组64个特征图，共320个 ）得到全部特征，用于后续的语义分割任务 。这是对U - net++ 的进一步改进探索，旨在更高效地提取和融合特征 。