U-Net模型

        U-Net模型是一种改进的FCN结构，因其结构经论文作者画出来形似字母U而得名，应用于医学图像的语义分割。它由左半边的压缩通道（Contracting Path）和右半边扩展通道（Expansive Path）组成。压缩通道是典型的卷积神经网络结构，它重复采用2个卷积层和1个最大池化层的结构，每进行一次池化操作后特征图的维数就增加1倍。在扩展通道，先进行1次反卷积操作，使特征图的维数减半，然后拼接对应压缩通道裁剪得到的特征图，重新组成一个2倍大小的特征图，再采用2个卷积层进行特征提取，并重复这一结构。在最后的输出层，用2个卷积层将64维的特征图映射成2维的输出图。

        U-Net模型是FCN的改进和延伸，它沿用了FCN进行图像语义分割的思想，即利用卷积层、池化层进行特征提取，再利用反卷积层还原图像尺寸。然而U-Net融合了编码-解码结构和跳跃网络的特点，在模型结构上更加优雅且巧妙，主要体现在以下两点：

（1）U-Net模型是一个编码-解码的结构，压缩通道是一个编码器，用于逐层提取影像的特征，扩展通道是一个解码器，用于还原影像的位置信息，且U-Net模型的每一个隐藏层都有较多的特征维数，这有利于模型学习更加多样、全面的特征。

（2）U-Net模型的“U形”结构让裁剪和拼接过程更加直观、合理，高层特征图与底层特征图的拼接以及卷积的反复、连续操作，使得模型能够从上下文信息和细节信息由组合得到更加精确的输出特征图。实验证明，U-Net模型在较少训练样本情况下也能得到更加准确的分类结果。