图像分割基础学习

U-net

简单结构，适合小特征，引入特征拼接

U-net++

特征融合，拼接更全面，其实跟densenet思想一致，把能拼能凑的特征都用上



全监督，无监督，半监督

语义分割，实例分割，全景分割

图像分割算法

1.FCN算法

2.Resnet分割算法，解决神经网络的退化问题

3.基于GAN网络的分割算法

4.最经典，最常用的Unet网络

实战

1.图像增强，比如旋转，分割，增加噪声点

2.图像预处理，使图像对比度清晰

3.跑

卷积层：提取图像的底层特征

池化：防止过拟合，将数据维度减小

全连接：汇总卷积层和池化层得到的图像的底层特征和信息

正则化：dropblock通过随机屏蔽一部分连续区域来减少特征图中的冗余连接，从而提高模型的泛化能力‌

Batch Normalization（批量归一化）是一种用于加速深度神经网络训练并提高其稳定性的技术。它通过在每一层的激活函数之前对数据进行归一化处理，使得每一层的输入分布更加稳定，从而加速训练过程并提高