U-Net · 看懂逐像素分割
缩小看整体，放大找位置，把同尺度的特征接回来
此刻
怎么做
会骗你
文字版：U-Net 漫游在做什么
U-Net 解决的是「逐像素」的问题：不是判断这张图是什么，而是判断每一个像素属于什么。它的结构长得像字母 U：左边一路缩小提取语义，右边一路放大还原位置，中间用几条横向的连线把同尺度的特征接回来。
画面上正在发生什么
沿 U 形走一遍：左边每下一级，池化把宽高减半、卷积把通道加倍，64×64×1 一路缩到 4×4×128。缩小的过程让网络看得越来越「宏观」——知道这是什么了，但也把「到底在哪」丢掉了大半。
右边每上一级，转置卷积把宽高翻倍，然后拼接左边同尺度的特征，再做卷积。点开「放大一处拼接」，可以看清两路通道是怎样沿通道方向接在一起的——不是相加，是拼接，通道数因此变成两路之和。这条横向连线就是 U-Net 的核心：把左边还没被缩小破坏的位置信息，直接送到右边负责还原的地方。
什么时候它会骗你
- 拼接和相加不一样。ResNet 的捷径是逐元素相加，要求形状完全相同；U-Net 的跳接是沿通道拼接，通道数相加、宽高必须相同。两者的目的也不同：前者为了让梯度好传，后者为了把位置信息送回来。
- 医学图像分割最容易在数据划分上翻车。同一个病人的多个切片、同一次扫描的多张图，必须整体留在同一集合里。按切片随机划分会让模型认出「这是哪个病人」，Dice 分数虚高得离谱。
- 分割任务的类别极不平衡。要分割的目标往往只占整张图很小一块。这时准确率毫无意义（全判为背景也能有 99%），必须用 Dice、IoU 这类指标，损失函数也常要用 Dice Loss 或加权交叉熵。
常见问题
- U-Net 的跳跃连接到底解决了什么？
- 解决位置信息丢失。编码器为了提取语义不断下采样，解码器仅靠上采样无法还原精确边界。跳接把编码器同尺度的高分辨率特征直接拼过来，让解码器同时拥有「是什么」（深层语义）和「在哪里」（浅层位置），边界因此清晰得多。
- 为什么 U-Net 在医学影像里这么流行？
- 因为它在小样本上表现好。医学标注数据昂贵稀少，U-Net 结构对称、参数量适中，配合数据增强在几十到几百张标注图上就能训出可用的模型。它对输入尺寸也比较灵活。
- 语义分割和实例分割有什么区别？
- 语义分割只判断每个像素属于哪一类，同类的两个物体不加区分；实例分割还要把同类的不同个体分开（这是第 1 个细胞、那是第 2 个）。U-Net 做的是语义分割；要做实例分割需要 Mask R-CNN 这类方法，或者在 U-Net 输出上再加分水岭等后处理。
本页使用合成教学图像，特征图为本机小型模型的实际输出；网络规模远小于原始 U-Net，用于展示结构而非复现论文性能。