1.网络结构

U-Net提出了一种新的网络结构和训练方法，依靠数据增强将有效的标注数据更为有效地使用。

• 网络由收缩路径和扩张路径组成，收缩路径用于获取上下文信息，扩张路径用于精确定位，两条路径相互对称；

• 网络运行速度快
  结构：
  
  一个contracting path即收缩路径（左侧）和一个expansive path即扩展路径（右侧）组成。

  1、收缩路径遵循卷积网络的典型架构。它包括重复使用两个3x3卷积（无填充卷积），每个卷积后跟一个线性修正单元（ReLU）和一个2x2最大池化操作，步长为2的下采样。
  在每个下采样步骤中，我们将特征通道的数量加倍。
  2、扩展路径中的每一步都包括特征映射的上采样

  • 1、进行2x2卷积（“反卷积”），将特征通道数量减半，与来自收缩路径的相应裁剪特征映射串联
  • 2、然后是两个3x3卷积，每个卷积后面接ReLU。
    由于每一次卷积都会丢失边界像素，因此裁剪是必要的。在最后一层，使用1x1卷积将每个64分量特征向量映射到所需数量的类别上。

  3、网络采样细节
  UNet的encoder下采样4次，一共下采样16倍，对称地，其decoder也相应上采样4次，将encoder得到的高级语义特征图恢复到原图片的分辨率。网络较小运行速度快

为什么效果好
1、底层(深层)信息：经过多次下采样后的低分辨率信息。能够提供分割目标在整个图像中上下文语义信息，可理解为反应目标和它的环境之间关系的特征。这个特征有助于物体的类别判断（所以分类问题通常只需要低分辨率/深层信息，不涉及多尺度融合）

2、高层(浅层)信息：经过concatenate操作从encoder直接传递到同高度decoder上的高分辨率信息。能够为分割提供更加精细的特征。