UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation

1、该文章的动机是什么？要解决什么问题？

该文章的动机是提出一种新的神经网络架构，名为UNet++，用于医学图像分割。该模型旨在解决现有模型在处理医学图像时存在的问题，例如对小目标的分割效果不佳、对深层特征的利用不足等。因此，UNet++的目标是提供更准确的医学图像分割结果。

2、该文章的创新点是什么？贡献了什么？

该文章的创新点是提出了一种新的神经网络架构，名为UNet++，用于医学图像分割。相比于现有的模型，UNet++在以下方面做出了贡献：1）通过重新设计跳跃连接，利用多尺度特征提高了分割效果；2）提出了一种新的剪枝方案，可以在不影响分割效果的情况下提高推理速度；3）在多个数据集上进行了实验，证明了UNet++的有效性和泛化性。4）在UNet++中引入了一个内置的深度可变的U-Net集合，可为不同大小的对象提供改进的分割性能，这是对固定深度U-Net的改进

3、用到了什么技术？

该文章使用了深度学习技术，具体地说，使用了卷积神经网络（CNN）进行医学图像分割。在网络架构方面，该文章提出了一种新的神经网络架构，名为UNet++，并通过重新设计跳跃连接和引入新的剪枝方案来提高分割效果和推理速度。此外，该文章还使用了多个数据集进行实验，以证明UNet++的有效性和泛化性

4、输入是什么？输出是什么？

该文章使用的输入是医学图像，包括电子显微镜图像、细胞CT图像