ResAt-UNet

ResAt-UNet是一种结合了残差学习（Residual Learning）和U形网络（Unet）架构的深度学习模型，在图像分割任务中表现出色。它源于经典的U-Net结构，该结构以其在医学影像分析中出色的性能而知名，尤其是对于需要像素级预测的任务，如病灶检测。

ResAt-UNet引入了残差块（Residual Blocks），这是在深层神经网络中解决梯度消失问题的有效策略。通过在U-Net的编码阶段添加这些块，网络能够更好地传递低层特征到高层，提高模型的训练效率和性能稳定性。每个残差块允许信息直接从输入跳过几个层到达输出，使得深层网络更容易学习和优化。

这种模型通常用于处理高分辨率的输入数据，并通过逐步细化的空间分辨率和扩大感受野来捕获全局和局部特征。ResAt-UNet的优势包括：

1. 提升网络深度，增强了特征提取能力。
2. 残差机制有助于防止训练过程中的梯度消失问题。
3. 结合U-Net的上下采样结构，保持了良好的细节保留和边界清晰度。