Unet网络

最新推荐文章于 2025-06-07 10:48:53 发布

转载最新推荐文章于 2025-06-07 10:48:53 发布 · 1.3k 阅读

5 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/abella/p/10304823.html

文章标签：

#人工智能

本文详细介绍了U-net网络在遥感影像路网提取中的应用，包括其独特的特征融合方式：拼接，以及编码器-解码器结构。U-net通过5个pooling layer实现多尺度特征识别，上采样部分融合特征提取输出，实现多尺度特征的全面整合。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

近期利用遥感影像进行路网提取，利用Unet网络进行图像分割

介绍如下：

U-net网络非常简单，前半部分作用是特征提取，后半部分是上采样。在一些文献中也把这样的结构叫做编码器-解码器结构。由于此网络整体结构类似于大写的英文字母U，故得名U-net。
U-net与其他常见的分割网络有一点非常不同的地方：U-net采用了完全不同的特征融合方式：拼接，U-net采用将特征在channel维度拼接在一起，形成更厚的特征。而FCN融合时使用的对应点相加，并不形成更厚的特征。

所以语义分割网络在特征融合时有两种办法：
1. FCN式的对应点相加，对应于TensorFlow中的tf.add()函数；
2. U-net式的channel维度拼接融合，对应于TensorFlow的tf.concat()函数，比较占显存。

除了上述新颖的特征融合方式，U-net还有以下几个优点：

1、5个pooling layer实现了网络对图像特征的多尺度特征识别。
2、上采样部分会融合特征提取部分的输出，这样做实际上是将多尺度特征融合在了一起，以最后一个上采样为例，它的特征既来自第一个卷积block的输出(同尺度特征)，也来自上采样的输出(大尺度特征)，这样的连接是贯穿整个网络的，你可以看到上图的网络中有四次融合过程，相对应的FCN网络只在最后一层进行融合。

转载于:https://www.cnblogs.com/abella/p/10304823.html