Pytorch深度学习实战教程（二）：UNet语义分割网络

Pytorch的基本使⽤

语义分割算法讲解

如果不了解语义分割原理以及开发环境的搭建，请看该系列教程的上⼀篇⽂章《》。

本⽂的开发环境采⽤上⼀篇⽂章搭建好的Windows环境，环境情况如下：

开发环境：Windows

开发语⾔：Python3.7.4

框架版本：Pytorch1.3.0

CUDA：10.2

cuDNN：7.6.0

本⽂主要讲解UNet⽹络结构，以及相应代码的代码编写。

PS：⽂中出现的所有代码，均可在我的github上下载，欢迎Follow、Star：

⼆、

UNet

⽹络结构

在语义分割领域，基于深度学习的语义分割算法开⼭之作是FCN（Fully Convolutional Networks for Semantic Segmentation），⽽

UNet是遵循FCN的原理，并进⾏了相应的改进，使其适应⼩样本的简单分割问题。

UNet论⽂地址：

研究⼀个深度学习算法，可以先看⽹络结构，看懂⽹络结构后，再Loss计算⽅法、训练⽅法等。本⽂主要针对UNet的⽹络结构进⾏讲解，

其它内容会在后续章节进⾏说明。

1

、⽹络结构原理

UNet最早发表在2015的MICCAI会议上，4年多的时间，论⽂引⽤量已经达到了9700多次。

UNet成为了⼤多做医疗影像语义分割任务的baseline，同时也启发了⼤量研究者对于U型⽹络结构的研究，发表了⼀批基于UNet⽹络结构

的改进⽅法的论⽂。