关于U-Net笔记一

      U-Net 是卷积神经网络的一种变形，对医学影像进行分割（segmentation）。因其结构经论文作者画出来形似字母U而得名。

      U-Net利用数据增强可以对一些比较少样本的数据进行训练，适用于医学影像。数据增强可用弹性变换方法，把原图做了弹性变形，相当与扩大了数据集。

      U-Net 采用的是包含下采样和上采样的网络结构。下采样用来逐渐展现环境信息，上采样的过程是结合下采样各层信息和上采样的输入信息来还原细节信息，并逐步还原图像精度。

      下采样的意义：它可以增加对输入图像的一些小扰动的鲁棒性，比如：图像平移，旋转等。减少过拟合的风险，降低运算量，增加感受野的大小。上采样的意义：把抽象的特征再还原解码到原图的尺寸，最终得到分割结果。

      U-Net结构思路就是编码和解码。

      对于特征提取阶段，浅层结构可以抓取图像的一些简单的特征，比如边界、颜色。而深层结构因为感受野大了，而且经过的卷积操作多了，能抓取到图像的一些说不清道不明的抽象特征。