图像分割UNet系列------UNet++详解_unet++算法

    UNet++发表于2018年中期，它也是UNet非常重要的改进版本之一，我认为也是最直接的改进版本。当然，UNet++在论文中主要是用息肉（polyp）、肝脏（liver）和细胞核（cell nuclei）等医学图像分割进行实验。

1、UNet++解读

    UNet++解读有很多文章，自己本来想好好捋一下发在这里，后来发现有两本篇文章相当的好，所以自己偷点懒不在写了，把文章连接发在这，大家真的可以好好看看：

1. UNet++解读 + 它是如何对UNet改进 + 作者的研究态度和方式
2. [论文笔记] UNet++

2、自己的看法

2.1 网络深度问题

    UNet++解决了不同数据量、不同场景应用对网络深度的要求。我认为这个是UNet++非常重要的贡献，这直接省去很多时间来进行UNet网络深度的修改，一个解决多种可能性。

2.2 特征融合

    UNet++通过短连接和上下采样等操作，间接融合了多个不同层次的特征，而非简单的Encoder与Decoder同层级特征的简单拼接。正因为此，Decoder可以感知不同感受野下大小不一的object，这对医学图像不同部位不同病灶（形态、大小、位置均不同）的分割效果良好。

2.3 缺点是什么

    UNet++并不完美，事实上没有完美的算法。他的缺点是什么呢，我认为有以下几点：

1. UNet++参数较多，虽然论文中提到可以使用剪枝的方法进行参数的缩减，但是本质上它的参数依然较多。
2. UNet++虽然间接融合了不同感受野的特征，但是只是融合了下一层的信息，上一层的信息并没有融合，这就造成其Decoder部分的细粒度依然不够精细，使分割结果存在丢失边缘信息和位置信息的情况。在实际使用中，低对比度图像的效果将受到影响（本人做过相关实验，调了很长时间分割效果依然不佳）。

    以上是我自己的意见，当然欢迎大家讨论。