unet算法发展历程简介

UNet是一种基于深度学习的图像分割架构，自2015年提出以来经历了多次改进和扩展，逐渐成为医学图像分割和其他精细分割任务的标杆。以下是UNet算法的主要发展历程和关键变体：

1. 原始UNet（2015）

• 论文: U-Net: Convolutional Networks for Biomedical Image Segmentation (Ronneberger et al., 2015)

• 核心思想:

  • 编码器-解码器结构：对称的U形网络，左侧（编码器）通过下采样提取特征，右侧（解码器）通过上采样恢复空间分辨率。

  • 跳跃连接（Skip Connections）：将编码器的高分辨率特征与解码器的上采样特征拼接，保留局部细节。

  • 端到端训练：适用于小样本数据（如医学图像）。

2. 主要改进方向与变体

(1) 结构优化

• ResUNet

  • 引入残差连接（ResNet思想），缓解深层网络梯度消失问题。

• DenseUNet

  • 使用密集连接（DenseNet思想），增强特征复用。

• UNet++ (2018)

  • 改进点：嵌