10.31

语义分割

​​1. U-Net核心原理与优势​​

​​结构设计​​: 采用编码器-解码器架构，通过纵向的跳跃连接，将浅层的丰富细节特征与深层的上下文特征进行融合。

​​关键优势​​:

网络结构简单，专注处理小目标分割，（医学影像等领域的应用依然广泛）。
通过特征融合，能够同时捕获目标的精细边缘和整体背景信息，提升了分割的准确性。

​​

​​2. UNet++的核心改进​​

整体网络结构：U-net++是对U-net的升级版本，其核心思想是更全面地进行特征融合与拼接。

​​优势：在UNet的基础上引入了更多层级的特征融合，通过更复杂的连接方式、更全面的特征拼接，U-net++能够更好地利用图像中的各种特征信息，从而进一步提高分割性能。

多输出与损失计算：U-net++采用了Deep Supervision技术，即在多个位置输出分割结果，并分别计算损失函数，然后将这些损失函数进行综合更新。这种方法可以更好地监督网络的学习过程，提高分割精度。

一种“剪枝”策略可以更容易，可以从较深层移除不佳的特征分支以提升性能。引入了从浅到深的多阶段损失函数。训练时不仅评估最终输出，还会监控并反向传播前面各层的损失，有助于更好地优化各阶段模型表现。

、