参考视频【U-Net: Convolutional Networks for Biomedical Image Segmentation经典论文分享】 https://www.bilibili.com/video/BV1xK4y1e7c4/?share_sourcecopy_webvd_sourcec0697661320dab63e5710ea1fb58458fU-Net在当时医学图片很少的背景下U-Net的U型结构很好的利用了有限的数据提高每一张数据能够提供给模型的有效信息量。数据增强弹性的形变Attention U-Net某个需要被提取的物体在不同图片上的形状和大小都有差异用U-Net网络会导致很多信息的冗余。第一个逐元素相加可以理解为如果两个尺寸的特征图对齐值会变大说明很重要如果没有对齐值会变小。U-Net问题1. unet和fcn是先验未知的。他们深度是固定的要想知道几层网络比较好时需要暴力尝试3层、4层、5层...2. 只在编码器和解码器子网络的相同尺度的特征图上聚合。方法1.2. 深度监督 参考视频【U-Net: Convolutional Networks for Biomedical Image Segmentation经典论文分享】 https://www.bilibili.com/video/BV1xK4y1e7c4/?share_sourcecopy_webvd_sourcec0697661320dab63e5710ea1fb58458fU-Net在当时医学图片很少的背景下U-Net的U型结构很好的利用了有限的数据提高每一张数据能够提供给模型的有效信息量。数据增强弹性的形变Attention U-Net某个需要被提取的物体在不同图片上的形状和大小都有差异用U-Net网络会导致很多信息的冗余。第一个逐元素相加可以理解为如果两个尺寸的特征图对齐值会变大说明很重要如果没有对齐值会变小。U-Net问题1. unet和fcn是先验未知的。他们深度是固定的要想知道几层网络比较好时需要暴力尝试3层、4层、5层...2. 只在编码器和解码器子网络的相同尺度的特征图上聚合。方法1.2. 深度监督 
 十分钟完全指南)
算法精解与面试技巧)
