图像分割概念
语义分割
实例分割
分割的目的
判断标准
判断标准即IOU，交集除以并集。MIOU则是所有类别的平均值。
Unet模型
网络结构比较简单，现在统称为编解码。在unet网络一开始为特征图相加，目前是先拼接再卷积下采样。
模型目前在医院领域应用比较广泛。
代码讲解
unet在mmsegmention中以主干网络为主，其他head应用与deeplab系列相同，两者的差异则变成了主干网络不同，本章节则重点讲解下unet的backbone
整体网络结构简单，没有特殊的层
UNet四个下采样层的每个下采样后的特征图都进行上采样，所以UNet可以变为多个UNet结构
在测试阶段只会前向传播，删掉L4这部分对前面的输出是没有影响的，而在训练阶段，因为既有前向传播的过程，又有反向传播的过程，所以那些被剪掉的部分是会影响到其他部分做权重更新的。在深监督的过程中，每个子网络的输出都其实已经是最终的分割结果了，所以如果其中一个子网络的结果已经足够好了，我们就能剪掉后面多余的部分了，剪枝之后的网络就会变得非常小
Unet++
UNet++的第一个优势就是精度提升，这是因为它融合了不同层次的特征；而第二个优势则是灵活的网络结构搭配深监督，让巨大参数量的网络在可接受的精度损失进行剪枝，实现大幅度减少参数量。
U2net
相较于传统的UNet，U²-Net在基本结构方面做了重要的改动：把UNet中的每个“下采样-上采样卷积层”都改成了某种特定的Block。完整结构图如下图所示：
本文在De_1至De_5、En_6这些结构上，直接生成了和输出相同大小的结果图。再将它们通过拼接融合、1×1卷积层和sigmoid函数后得到最终的结果
创新点
提出了一个叫Residual U-Block的东西，Residual U-Block通过添加残差连接和级联池化层来解决这个问题，从而在增加的参数量较小的情况下，实现高效的感受野扩展
U2Net的主要结构是一个两层嵌套的U型结构，通过这种嵌套式结构和新设计的Residual U-Block块，网络可以在不损失分辨率的情况下，从浅层和深层获取更丰富的局部和全局信息