U-Net 是一种主要用于图像分割的神经网络，这意味着它将图像分割成不同的部分以识别特定的对象，例如在医学扫描中将肿瘤与健康组织分离开来。“U-Net”这个名字来源于其架构的形状，绘制时看起来像字母“U”。由于即使在标记数据量很小的情况下也能表现出色，它被广泛应用于医学成像领域。
!<a href="https://media.geeksforgeeks.org/wp-content/uploads/20251007111045128990/unet.webp">unetU-Net 架构
该架构是对称的，包含三个关键部分：
1. 收缩路径（编码器）：
- 使用小滤波器（3×3 像素）扫描图像并查找特征。
- 应用称为 ReLU 的激活函数来增加非线性，帮助模型更好地学习。
- 使用最大池化（2×2 滤波器）在保留重要信息的同时缩小图像尺寸。这有助于网络专注于更大的特征。
2. 瓶颈层：
这是“U”的中间部分，存储了最压缩和抽象的信息。它连接了编码器和解码器。
3. 扩展路径（解码器）：
- 使用上采样，即增加图像尺寸以恢复到原始图像大小。
- 使用“跳跃连接”结合来自编码器的信息。这些连接帮助解码器获取在缩小图像时可能丢失的空间细节。
- 再次使用卷积层来清理和细化输出。
上面的图片展示了 U-Net 将 572×572 的图像转换为更小的 388×388 分割图。它缩小图像以捕捉特征，然后使用跳跃连接上采样以恢复大小并保留细节。输出将每个像素标记为对象或背景。
U-Net 的工作原理
在理解了架构之后，了解 U-Net 如何实际处理数据以执行分割非常重要：
- 输入图像： 过程始于向网络输入一张医学图像或其他输入图像，通常是灰度图。
- 特征提取（编码器）： 编码器通过应用卷积和下采样来提取日益抽象的特征。在每一层，空间尺寸减小，而特征通道的数量增加，允许模型捕获更高级别的模式。
- 瓶颈层处理： 这是网络的中间部分，图像在这里被最大限度地缩减。它保存了图像的一个较小但非常有意义的版本，捕捉了主要特征。
- 重建与定位（解码器）： 解码器开始通过上采样重建原始图像尺寸。在每一层，它使用跳跃连接将解码器特征与相应的编码器特征结合起来，以保留细粒度的空间细节。
- 用于精确定位的跳跃连接： 跳跃连接通过将早期层的详细特征向前传递来帮助保持空间精度。当模型需要在分割任务中区分边界时，这些连接特别有用。
- 最终预测： 最后的 1×1 卷积将细化后的特征图转换为最终的分割图，其中每个像素被分类为特定的类别，如前景或背景。此输出具有与输入图像相同的空间分辨率。
U-Net 的实现
现在我们将使用 Python 3 和 TensorFlow 库来实现 U-Net 架构。实现包含三个主要部分：
- 编码器块： 收缩路径块，包含两个带有 ReLU 激活的 3×3 卷积层，后接一个 2×2 最大池化层。
- 解码器块： 扩展路径块，它对输入进行上采样，将其与相应的编码器特征拼接，并应用两个带有 ReLU 激活的 3×3 卷积层。
- U-Net 模型： 结合编码器和解码器块以定义完整的 U-Net 架构。
1. 编码器：
编码器负责从输入图像中提取特征。它应用两个卷积层，后接 ReLU 激活 以学习模式，然后使用最大池化来减小图像尺寸，帮助模型专注于重要特征。
import tensorflow as tf
def encoder_block(inputs, num_filters):
x = tf.keras.layers.Conv2D(num_filters, 3, padding=‘valid‘)(inputs)
x = tf.keras.layers.Activation(‘relu‘)(x)
x = tf.keras.layers.Conv2D(num_filters, 3, padding=‘valid‘)(x)
x = tf.keras.layers.Activation(‘relu‘)(x)
x = tf.keras.layers.MaxPool2D(pool_size=(2, 2), strides=2)(x)
return x
2. 解码器：
解码器有助于恢复原始图像尺寸，同时结合低级和高级特征。它首先对特征图进行上采样，调整相应的编码器输出（跳跃连接）的大小，将它们合并，然后应用两个带有 ReLU 的卷积层。
def decoder_block(