Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。
Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。
- Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。
- Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。
Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样）
- 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3×3后面紧跟着一个Relu）以论文原图为例：输入572×572，经过两个卷积核（大小为3×3）大小从572-570-568，然后经过一个Maxpool（2×2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，通道数翻倍，例如图上的从64-128。
- copy and crop拼接：在UNet有四个拼接操作。有人也叫Skip connect，目的是融合特征信息，使深层和浅层的信息融合起来，在拼接的时候要注意，不仅图片大小要一致，特征的维度（channels）也要一样，才可以拼接。
- 上采样部分 up-conv，也叫扩张网络，图片尺寸变大，提取的是深层信息，使用了四个上采样，在上采样的过程中，图片的通道数是减半的，与左部分的特征提取通道数的变化相反。在上采样的过程融合了左边的浅层的信息即拼接了左边的特征。
Upsampling 上采样常用的方式有两种：1.FCN 中介绍的反卷积；2. 插值。
1、反卷积：
①卷积后，结果图像比原图小：称之为valid卷积
②卷积后，结果图像与原图大小相同：称之为same卷积
③卷积后，结果图像比原图大：称之为full卷积
其中，full卷积其实就是反卷积的过程。到这里应该可以意识到，反卷积实际上也是一种特殊的卷积方式，它可以通过full卷积将原图扩大，增大原图的分辨率，所以对图像进行反卷积也称为对图像进行“上采样”。因此，也可以很直接地理解到，图像的卷积和反卷积并不是一个简单的变换、还原过程，也就是先把图片进行卷积，再用同样的卷积核进行反卷积，是不能还原成原图的，因为反卷积后只是单纯地对图片进行扩大处理，并不能还原成原图像。图4所展示的例子可以很好地说明这一现象：
图 卷积（上）与反卷积（下）
由图可见，蓝色是3×3的卷积核，在原图进行卷积和反卷积后，最后得到的图像跟原图是不一致的。因此，通过反卷积并不能还原卷积之前的矩阵，只能从大小上进行还原，因为反卷积的本质还是卷积。如果想要还原成原图像，只能通过专门设计不同的卷积核来实现。
2、插值：bilinear 双线性插值的综合表现较好也较为常见 。双线性插值的计算过程没有需要学习的参数，实际就是套公式。
[补充]
1、U-Net数据输入
由于在不断valid卷积过程中，会使得图片越来越小，为了避免数据丢失，在图像输入前都需要进行镜像扩大，如图所示：
- 可以看到图像在输入前，四个边都进行了镜像扩大操作，以保证在通过一系列的valid卷积操作之后的结果能够与原图大小相一致。
- 由于有些计算机的内存较小，无法直接对整张图片进行处理（医学图像通常都很大），会采取把大图进行分块输入的训练方式，最后将结果一块块拼起来。
- 为了避免在拼接过程中边缘部分出现不连接等问题，在训练前，每一小块都会选择镜像扩大而不是直接补0扩大，以保留更多边缘附近的信息。
2、卷积核中的数值如何确定？
权值的确定一般都是经过“初始化→根据训练结果逐步调整→训练精度达到目标后停止调整→确定权值”这样一个过程，因此U-net卷积核中数值的确定过程也是类似的，一开始也是先用随机数（服从高斯分布）进行初始化，后面则根据前面提到的损失函数逐步对数值进行调整，当训练精度符合要求后停止，即能确定每个卷积核中的数值(即权值)。
而调整卷积核数值的过程，实际上就是U-net的训练过程，当卷积核结束训练确定数值后，则U-net训练完成。
3、U-net训练深度如何确定？
这跟全连接神经网络中“神经网络层数如何确定”这样一个问题是类似的，目前也没有一个专门的标准，一般根据经验选取，或设置多种不同的深度，通过训练效果来选择最优的层数。U-net原文中也没有提到为什么要选择4层，可能是在该训练项目中，4层的分割效果最好。
4、如何解决U-net训练样本少的问题？
医学影像数据存在一个共同的特点，就是样本量一般较少，当训练样本过少时，容易使得训练效果不佳。解决该问题的方法是数据增强，数据增强可以在训练样本较少时，也能够让神经网络学习到更多的数据特征，不同的训练任务，数据增强的方法也不尽相同。由于U-net文章中的任务是分割Hela细胞，作者选择了弹性变换的方式进行数据增强，如图所示：
弹性变换其实就是把原图进行不同的弹性扭曲，形成新的图片，扩大样本量，由于这种弹性变化在细胞中是十分常见的，人为增加这种数据量能够让U-net学习到这种形变的不变性，当遇到新的图像时候可以进行更好地分割。
5、U-net可以如何改进？
①可以对U-net中的损失函数进行改进。损失函数有很多种，U-net原文中采用的是有权重的交叉熵损失函数，主要为了更好地分离粘连在一起的同类细胞设计的，如果分割的任务不同，也可以往损失函数中添加权重或进行其他的改进，以增强分割的准确性和鲁棒性。
②可以对U-net结构进行改进，如采用U-net++网络，如图所示：
U-net++是在深度为4层的U-net基础上，把1~3层的U-net也全部组合到一起（图中左上角最小的三角形为深度为1层的U-net，第二个三角形为深度为2层的U-net，以此类推，把4个深度的U-net组合在一起），这个U-net++能够把每个深度的训练效果相互融合相互补充，可以对图像进行更为精确的分割。
文章出处登录后可见！
