unet pspnet

### UNet 和 PSPNet 架构对比

#### UNet 架构特点
UNet 是一种专为生物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，在跳跃连接的帮助下能够有效地捕捉空间信息并恢复高分辨率细节[^1]。

- **编码路径**：通过一系列下采样操作逐步减少特征图的空间尺寸，同时增加通道数来提取更抽象的语义特征。

- **解码路径**：利用上采样层逐渐增大特征图大小至原始输入尺度，并融合来自相同层次编码部分的信息以保留更多局部纹理特性。

- **跳跃连接**：将低级特征与高级语义表示相结合，有助于解决梯度消失问题以及提高边界定位精度。

import torch.nn as nn

class UNet(nn.Module):
    def __init__(self, num_classes=21):
        super(UNet, self).__init__()
        # 定义编码器和解码器模块...
    
    def forward(self, x):
        # 实现前向传播逻辑...
        pass

#### PSPNet 构造要点
金字塔场景解析网络 (Pyramid Scene Parsing Network, PSPNet) 主要针对复杂场景理解而开发，特别适用于大规模类别多样化的数据集。此方法引入了空间金字塔池化机制，从而增强了全局上下文感知能力[^2]。

- **基础骨干网**：通常基于预训练好的深层 CNN 如 ResNet 或 VGG 提取多尺度特征映射。

- **空间金字塔池化(SPP)**：构建不同比例的感受野组合成四分支结构，聚合多层次表征用于增强对物体形状变化鲁棒性。

- **辅助损失函数**：除了最终预测外还设置了中间监督信号促进整体性能提升。

from torchvision import models

def build_pspnet(backbone='resnet50', num_classes=21):
    base_model = getattr(models, backbone)(pretrained=True)
    # 修改最后一层适应特定任务需求...

psp_net = build_pspnet()