Unet ResNet FPN

### UNet、ResNet 和 FPN 架构对比

#### UNet 架构特点
UNet 是一种专为医学图像分割设计的卷积神经网络结构。该模型采用编码器-解码器架构，在编码阶段逐步降低特征图的空间分辨率并增加通道数；而在解码部分则相反，通过转置卷积操作恢复空间维度的同时减少通道数量。跳跃连接机制使得低层细节信息能够传递到高层，从而提高分割精度[^2]。

import torch.nn as nn

class UNet(nn.Module):
    def __init__(self, n_channels, n_classes):
        super(UNet, self).__init__()
        # 定义编码器与解码器模块...

#### ResNet 架构特点
残差网络（Residual Network），即 ResNet 提出了跳过一层或多层直接相加的方式解决深层网络训练困难的问题。这种创新性的 shortcut connection 设计允许梯度更顺畅地向前传播，有效缓解了退化现象的发生。ResNet 可以构建非常深的学习框架而不会陷入优化困境[^1]。

def resnet_block(in_features, out_features, stride=1):
    return nn.Sequential(
        nn.Conv2d(in_features, out_features, kernel_size=3, padding=1),
        nn.BatchNorm2d(out_features),
        nn.ReLU(inplace=True),
        nn.Conv2d(out_features, out_features, kernel_size=3, padding=1),
        nn.BatchNorm2d(out_features)
    )

#### FPN 架构特点
Feature Pyramid Networks (FPN) 主要用于目标检测任务中的多尺度表示提取。它基于自底向上的路径增强来自不同层次的感受野大小各异的特征映射，并利用横向连接融合相同位置处的不同级别语义信息。最终形成一个金字塔形的特征表达体系，有助于提升小物体识别效果以及整体性能表现[^3]。

from torchvision.models import vgg16_bn

class FeaturePyramidNetwork(nn.Module):
    def __init__(self, backbone='vgg'):
        super().__init__()
        if backbone == 'vgg':
            base_model = vgg16_bn(pretrained=True).features
            ...