UNet改进（45）：融合Group Convolution与Hierarchical Feature Fusion的图像分割模型
一、引言：UNet 的演进与挑战
UNet 自 2015 年提出以来，已成为医学图像分割、遥感图像处理等领域的经典架构。其对称的编码器-解码器结构与跳跃连接设计，使其在捕获局部细节与全局上下文方面表现出色。
然而，随着应用场景的复杂化，原始 UNet 也暴露出一些问题：
-
参数量大：全卷积结构在深层网络中参数量巨大；
-
特征表达能力有限：传统卷积对通道间关系的建模能力不足；
-
多尺度特征融合不充分：跳跃连接虽好，但缺乏自适应融合机制。
为此，我们提出 GH-UNet，在 UNet 基础上引入：
-
分组卷积（Group Convolution）：减少参数量，增强特征多样性；
-
分层特征融合（Hierarchical Feature Fusion）：自适应加权特征图，提升语义表达能力。
