U-net模型网络结构

### U-net 模型网络结构图解释

#### 网络架构概述
U-Net是一种用于生物医学图像分割的卷积神经网络，具有独特的编码器-解码器结构。这种设计使得模型能够有效地捕捉输入图像的空间信息并进行高精度的像素级预测[^2]。

#### 编码器部分（收缩路径）
在网络的左侧是编码器模块，也称为收缩路径。这一阶段通过一系列的卷积层和最大池化操作逐步减少特征图尺寸的同时增加通道数，从而提取更深层次的语义信息。每次下采样都会使空间分辨率减半而感受野加倍，这有助于捕获全局上下文特性[^1]。

#### 中间桥接层
到达最底部时存在一个中间连接作为桥梁，在这里继续应用两次3×3大小的标准卷积核来进一步增强所学到的重要特征表示[^3]。

#### 解码器部分（扩展路径）
右侧为解码器组件即扩张路径，它负责恢复原始输入尺度上的细节信息。此过程利用转置卷积(反卷积)实现上采样的同时引入跳跃连接机制——将来自相同级别编码侧的结果拼接到当前处理过的特征映射之上，确保细粒度定位准确性得以保留。

graph TB;
    A[Input Image] --> B{Encoder};
    B --> C[Downsampling];
    C --> D[Feature Extraction];
    E{Bottleneck}-.->|Concatenate with encoder features|F{Decoder};
    F --> G[Upsampling];
    G --> H[Prediction Map];

上述图表展示了整个流程：从左至右依次经历降维浓缩到核心区域再升维重建的过程；值得注意的是每一步都伴随着必要的激活函数变换以保持数据非线性属性不变。