UNet简单介绍

语义分割（Semantic Segmentation）是计算机视觉领域的一项基础任务，旨在将图像中的每个像素分配到特定的语义类别中，即对图像中的每个像素进行分类，从而实现对图像像素级别的理解和分析。与图像分类任务不同的是，语义分割需要对图像中的每个像素进行分类，因此其输出的信息量更加丰富，能够为后续的高级任务如目标检测、图像分割、姿态估计等提供更加精细的信息支持。

任务：将图像按照物体的类别分割成不同的区域

等价于：对每个像素进行分类

早期思路：基于先验，按照颜色进行分割（先验知识不完全准确

现在思路：基于卷积神经网络

卷积神经网络被大规模的应用在分类任务中，输出的结果是整个图像的类标签。但是UNet是像素级分类，输出的则是每个像素点的类别，且不同类别的像素会显示不同颜色，UNet常常用在生物医学图像上，而该任务中图片数据往往较少。

Unet 是一种经典的深度学习网络模型，用于图像分割任务。它的结构特点是编码器-解码器架构，并且包含了跳跃连接（Skip Connection）的设计。

Unet 的整体结构可以分为两部分：编码器（Encoder）和解码器（Decoder）。编码器负责逐步提取输入图像的特征，将图像分辨率降低，而解码器则负责逐步恢复分辨率并生成最终的分割结果。

Unet 的编码器部分由多个下采样（Downsampling）层组成，每个下采样层包含一个卷积层和一个池化层，用于逐步缩小图像尺寸和提取特征。这样做的目的是为了引入不同尺度的上下文信息。

Unet 的解码器部分由多个上采样（Upsampling）层和对应的跳跃连接组成。上采样层用于逐步增加图像尺寸，而跳跃连接用于将编码器中的特征图与解码器中相应的特征图进行连接，以保留更多的空间细节和语义信息。每个上采样层也有一个对应的卷积层，用于进一步处理特征。

最后，Unet 的最后一层通常是一个 1x1 的卷积层，用于将特征图映射到指定的类别数，并生成最终的分割结果。

UNet论文：U-Net: Convolutional Networks for Biomedical Image Segmentation (arxiv.org)

在这个模型中，左半部分是：两次卷积 -> 池化 -> 两次卷积 -> 池化 …

右半部分是：上采样 -> 与左半部分对应层进行拼接 …

UNet数据集制作

UNet 浅析_酿久诗的博客-CSDN博客