Life1213的博客

这篇论文的实验与对实验结果的分析都十分详细，实验部分不仅细节详细，而且实验考虑了多种情况进行对比，可以从实验结果中得到各种结论，

这篇博客将MobileNet中使用的各种Block提取出来，以便之后用于其他地方。

在医学图像分割领域中，CNN是主流，其中UNet十分常用。尽管基于CNN的方法有优秀的表征能力，对局部信息有很好的效果，但是其固有的局限性导致。现在出现了使用Transformer进行分割，Transformer在，但因此，本文提出将，并结合UNet的U型结构。结合二者的优点，让网络既可以获得低级特征，又可以获得全局上下文。TransUNet具有强大的学习的能力。

U-Net的提出是为了解决医疗图像中的问题。

最后进行转置卷积，进行32倍的上采样来恢复原图的高宽，深度为类别个数。这里使用了双线性插值的方法来初始化转置卷积的参数。而在论文中，作者冻结了转置卷积的参数，因此实际上就是一个简单的双线性插值，可以直接使用双线性插值。原因是两种方法的性能差不多，但可以加速训练过程。最终每个像素都有num_cls个数值，对它们进行softmax操作就可以知道该像素最有可能属于哪个类别。在FCN-32S中，VGG16、FC6与FC7使用的权重就是VGG中的权重。将前面得到的两个h16×w16×16h。

通过上面分析，就可以知道为什么通过对输入特征图进行填充使用转置的卷积核并且使用转置卷积核与输入特征图进行步长=1的普通卷积操作就可以得到结果。

语义指具有人们可用语言探讨的意义，分割指图像分割。语义分割(semantic segmentation)能够将，使每个部分，让计算机可以理解图像。语义分割是，将整张图不留缝隙地分割成每个区域，。