铺垫
在图像分割领域，全卷积网络 FCN 是非常经典的网络，而 U-Net 在医学图像分割方面表现的更加突出；
FCN vs U-Nnet
相同点：二者都采用了 encode 和 decode 的经典思路，也就是 AutoEncode 的思路；
这种思路起初被用于 图像压缩和去噪，后来被用到图像分割，是不是很厉害呢？所以别看他简单，重要的是思想；
不同点：
1. U-Net 是一种完全对称的结构，网络的 decode 部分仍然是卷积结构，而 FCN 的 decode 相对简单，只是 deconvolution 反卷积操作；
2. skip connection 的使用，U-Net 是叠操作，FCN 是加操作；
叠操作：1，2 ==> [1， 2]
加操作：1， 2 ==> 3
一个 decode 被玩出这么多花，是不是很厉害？所以，别觉得简单；
学习 U-Net 的重点是掌握 网络结构的思想，而非 U-Net 本身；
FCN 和 U-Net 都是非常经典的基础网络结构，事实上，他们已经被多次引用，扩展后的网络屡次发表顶会；
U-Net
下面我们认识一下主角
看起来稍微有些乱；
我们把它的 拓扑结构 抽取出来，这样更接近它的实质，排除细节的干扰；
这就是 大部分 分割网络 的拓扑结构；
分为三部分：
上采样：增加 对输入微小噪声 的鲁棒性，也就是关注主要矛盾，提取特征，增加感受野大小；
下采样：对特征进行还原；
skip connection：把浅层特征 叠加到 深层特征上，同时关注了浅层和深层特征；
扩展
思考一下，U-Nnet 把这个拓扑结构扩展成它的模样，如果让你去扩展，你会如何？
思考-网络深度
这是网络设计时必须要考虑的问题；
首先，我要明确的告诉你，模型的深浅 并不是 作者设计多少就是多少；
U-Net 的重点就是 同时利用了 深浅层特征，那为什么 它 4 层就最深了呢？
有人在 他自己的数据集上 训练了不同深度 的 U-Net 并测试，结果如下
实验证明，并不是越深越好，也不是 4 层最好；
实验折射出这样的结论：不同层次(深浅)的特征的重要性 在不同数据集上 表现不同；U-Net 作者设计 4 层，只能说 4 层适合他的数据集；
灵魂之问：到底要多深？
最笨的办法是 挨个试，训练不同深度的模型，看看测试效果，显然不是很高大上；
回到 U-Net 网络的思想，即 同时使用浅层和深层特征，在这个思想的前提下探讨网络深度，脑洞开一下；
把 4 种不同深度的网络强行叠加起来；
这么做的思想是，我不管哪个层次的特征最重要，都给你算上，让模型自己去学习；
可惜的是这个网络中的红色区域无法进行反向传播，因为网络是断开的；
怎么解决呢？这才是本文的核心，即如何设计一个网络；
网络设计
针对上面的问题，给出几套方案
1. 修改网络结构
把长连接全部改成短连接；
这样做虽然可反向传播，但是长连接的作用是更好的利用浅层特征，改成短连接后，浅层特征被反卷积后的特征代替，显然信息丢失很多；
虽然说这个设计不是很完美，但注意，这个设计也发表在 CVPR 上了哦，所以搞起来吧；
2. U-Net++
很简单，把长连接全部加上，这就 CVPR 了
3. deep supervision，深监督
深监督是一种思想，它把 不同深度的 模型 的 输出 用一定的方法 统计起来，这样可以观测到不同 深度 的输出，从而更好的设计网络的深度；
再次强调，它只是一种思想，没有具体形式；
下图就是 把 深监督 套到了 U-Net++ 上；
深监督最大的意义在于 剪枝
剪枝在移动端的作用十分明显；
在训练时 我们训练不同深度融合的网络，如果 浅层网络的结果已经满足需求，那么深层网络的权重将置零，也就等于没了，在测试时，速度会大大提升；
参考资料：
https://zhuanlan.zhihu.com/p/44958351 大神之作，坚决只看这一篇