Python 3.x U-Net复制和裁剪

我对Unet架构图中的复制和裁剪箭头有疑问：

---

我理解从承包到转移到昂贵路径的实现，但我没有得到这些内部连接。复制和裁剪意味着什么？这项操作带来了什么好处？？这像ResNet中的跳过连接吗

Drozdal等人研究了长跳跃连接（用于那些长连接的术语）的好处，并证明其可以改善梯度流，从而保持权重矩阵的值稳定。这是一种摇摆不定的解释，但这是我们得到的最好的解释。然而，它确实改善了分割任务的结果

---

本例中使用了裁剪操作，因为作者使用了有效的卷积，这减少了输出大小，因此维度不再适合。在Tensorflow中，您可以使用类似于

tf.image.resize_images

的东西，以获得与扩展部分中的特征贴图相同的高度-宽度尺寸，然后使用

tf.concat

沿通道轴（通常是BHWC布局中的第四轴）连接特征贴图.

它类似于ResNet中的跳过连接，但有一些不同

架构差异： 在ResNet中，跳过连接是在计算激活之前将上一个块的激活添加到下一个块。这些剩余块通过添加前一个块的输出来跳过中间连接

在U-net中，激活或特征映射被合并或连接

复制或连接的原因： 由于这是下采样时的分割问题，因此空间信息丢失。如您所见，它从572x572开始，减少到28x28。为了恢复或映射回空间信息，将连接来自先前图层的特征贴图。 如果观察到上采样路径中的白色块，则是来自下采样路径的特征贴图

收割原因： 现在在合并时，由于两个要素贴图的分辨率不同，因此会对它们进行裁剪。在将（572x572）与（392x392）连接之前，需要对其进行裁剪

---

唯一的相似之处是利用了先前计算的激活，但原因不同。

我想你可以将其视为一种resnet，因为它直接连接这些层，梯度很容易传播，但更重要的是，直接连接为后面的层提供了更多“原始”信息。想象一下，经过几层变换（无论是线性变换还是conv变换）后，原始图像的信息被扭曲和丢失，拥有更高维度和更多“原始”层来帮助输出是件好事。@KevinHe好的，我理解这些连接背后的想法，但你是如何在tensorflow中实现它的。如果我总是复制图层并放置它，我怀疑我是否能够重建我的图像？对于这类层，什么操作是有意义的？如图所示，原始层沿“层”维度连接，随后的张量输入conv层。一般来说，并没有一种方法用于这种方向连接，但对于图像，我建议以后再进行conv操作。但是你肯定会被鼓励尝试更多的东西，享受神经网络带来的乐趣@KevinHe现在尝试使用tf.add（），因为这将基本上保留尺寸，并允许我进行修正。将下采样滤波器转换为上采样滤波器。乍一看，网络趋于融合。我会检查结果并尝试其他一些东西。谢谢你的回答