U-net

U-Net是一种用于图像分割的深度学习模型，由Ronneberger等人于2015年提出。它的主要特点是在编码器和解码器之间使用跳跃连接（skip connections），这使得网络能够捕捉到更多的上下文信息，从而提高分割的准确性。U-Net的结构类似于字母“U”，包括一个收缩路径（contracting path）和一个扩展路径（expansive path）。收缩路径通过卷积层和池化层逐步减小特征图的大小，同时增加通道数；扩展路径则通过上采样层和卷积层逐步恢复特征图的大小，同时减少通道数。这种结构使得U-Net能够在保留细节的同时，有效地对图像进行分割。