本課程B站連結：https://www.bilibili.com/video/BV1Vq4y127fB/
主要介紹unet的網路結構。詳見2015年的論文

• unet結構圖
  
  【詳解】典型的encoder-decoder結構

• 左邊是encoder,也就是提取特徵和下采樣的部分；右邊decoder解碼是一系列上取樣，得到最終的一個分割圖

• 圖中每個長條的矩形對應的都是一個特徵層，箭頭都是一種操作

• 從輸入開始看，輸入是572x572的單通道的圖片為例，首先進行一個卷積操作（步距為1，no padding）通過卷積層之後，高和寬都會減少，當時15年還沒有BN。經過兩個卷積層後進行下采樣（max poooling),2x2，高和寬就會減半，channel不會變化，還是64。接著再進行兩個3x3卷積層，（每次下采樣後都會將channel進行翻倍，64-128）。右半部分：綠色的是上取樣（其實是轉置卷積，可回看視訊，經過之後會將特徵層的高和寬放大兩倍，channel減半），1024-512，對應藍色部分；灰色箭頭是copy和crop,左邊的高和寬是64x64,右邊得到的是56x56大小的，無法進行直接拼接，所以對左邊的特徵層進行中心裁剪，和右邊的藍色部分進行拼接，拼接之後channel為1024。後面依次進行上取樣。直到最後得到寬和高388x388，最後經過一個灰色的箭頭卷積層，這個卷積核的個數和我們分類的類別個數是一致的，論文中只分割前景和背景。輸出的結構就是388x388x2。（注意最後1x1的卷積的沒有啟用函式）

• 注意得到的分割圖和原圖並不一樣

• 反思：現在主流的實驗方式並非嚴格按照論文中的方式去實現，而是在卷積層加上一個padding，即每次經過3x3卷積層，不會改變特徵層的高和寬，並且會在卷積和ReLu之間加上一個BN（效果：在拼接的時候不要中心裁剪了，最後得到的高和寬和我們輸入的高和寬保持一致）。

• 針對特別大（高解析度的）圖片，一般每次只分割一個patch，相鄰兩個預測區域之間一般會有一個重疊的部分，稱為overlap，能夠更好的分割邊界區域
  *pixel-wise loss的方案：細胞與細胞之間的背景取，賦予大的權重，對於大片的背景區域，施加小的權重