Unet结构原理
Unet结构可以说是相对比较简单的图像分割算法了，通过四个下采样提取目标特征，再通过四个上采样，最后逐个对其像素点进行分类，那么这实际上是一个基于编码器（encode）-解码器（decode）思想。
下图就是Unet网络结构：
我的个人理解是编码器实际上相当于backbone对输入图片进行特征提取，提取出合适的feature-map，再通过解码器恢复至原尺寸，进行逐个像素点分类。
下采样：
简单的卷积层特征提取。
上采样：
输入图像经过前面下采样进行特征提取之后，需要把图像恢复至原来的尺寸以便进一步对像素进行分类（所谓的语义分割），那么这个过程也就是上采样。
一般来说上采样方法常见的有：双线性差值（bilinear）,反卷积（Transposed Convolution），还有就是反池化（Unpooling），Unet的上采样就是通过反卷积实现的。
反卷积就是转置卷积，也是一种卷积，可以看上图，这个就是转置卷积，由小尺寸到大尺寸的过程。也就是说反卷积也可以表示为两个矩阵乘积，很显然转置卷积的反向传播就是也是可进行的。所以说整体是Unet是可以反向传播的。
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！