UNet作为图像分割模型的特点

UNet 是深度学习领域中一种经典的 编码器-解码器 结构，专为 图像分割 任务而生，以其独特的 U 形对称结构 和 跳跃连接 设计，成为医学图像分割、遥感分析、工业检测等领域的首选架构之一。

1

UNet 是什么？

UNet 是一种全卷积网络（FCN），通过“下采样-上采样”的对称路径和跳跃连接，实现对图像每个像素的精确分类（即语义分割）。

UNet 最早在 2015 年提出，用于生物医学图像分割（如细胞、器官等），因其结构形如 U 形 而得名，核心贡献在于： 用少量标注数据就能训练出高质量的分割模型 ，并且能够捕捉多尺度上下文信息，同时保留精细的空间细节。

2

UNet 的工作原理

UNet 的架构分为两个对称部分： 编码器（下采样路径） 和 解码器（上采样路径） ，中间通过 跳跃连接 相连。

1. 编码器（下采样路径）

作用 ：提取图像的多尺度特征，同时逐步压缩空间分辨率，扩大感受野。

结构 ：由若干卷积块组成，每个块通常包含 两个 3×3 卷积 + ReLU ，然后接一个 2×2 最大池化 进行下采样（步长为2）。

特点 ：每下采样一次，特征图的通道数翻倍，空间尺寸减半。例如输入 224×224，经过一次池化后变成 112×112，通道数从 64 变为 128。

2. 解码器（上采样路径）

作用 ：将编码器提取的抽象特征恢复回原始图像分辨率，并对每个像素进行分类。

结构 ：每个解码器块包含一个 上采样操作 （通常使用转置卷积或双线性插值），将特征图尺寸翻倍，然后与编码器对应层的特征图进行 拼接 （concat），再经过两个 3×3 卷积 + ReLU。

特点 ：上采样后通道数减半，拼接后通道数变为编码器对应层的两倍，再进行卷积降维。

3. 跳跃连接（Skip Connection）

核心设计 ：将编码器某层的特征图 直接复制 并拼接到解码器对应层。

作用 ：保留编码器提取的 精细空间信息 （如边缘、纹理），弥补上采样过程中丢失的细节。这对医学图像分割（如器官边界）至关重要。

4. 最终输出

解码器的最后一层通过一个 1×1 卷积 将特征图映射到目标类别数，输出每个像素的类别概率图。

3

UNet 的结构特点

4

应用场景

UNet 最初是为生物医学图像分割设计的，已扩展至多个领域：

5

UNet vs 其他分割模型